基于同态加密和增量更新的联邦学习隐私保护方法及系统

本发明提供一种基于同态加密和增量更新的联邦学习隐私保护方法，涉及隐私计算技术领域。所述基于同态加密和增量更新的联邦学习隐私保护方法由基于同态加密和增量更新的联邦学习隐私保护系统实现包括：基于联邦学习框架，每个参与方采用本地的训练数据对本地初始的模型进行训练，生成本地的初始模型参数；采用增量更新机制，计算本地模型与全局模型的差异值，获取模型更新的差值，模型参数的差分值经过定点量化，获得量化后的量化值，采用改进的Paillier同态加密算法，对量化后的量化值进行加密；聚合服务器对加密后的模型参数进行聚合处理，获得更新后的加密全局模型。采用本发明可解决传统方法中的隐私泄露风险和计算瓶颈问题。