基于多密钥同态加密与自适应差分隐私的联邦学习系统

本发明涉及一种基于多密钥同态加密与自适应差分隐私的联邦学习系统，属于隐私计算技术领域。所述系统在无可信第三方的前提下，实现了多客户端协同密钥生成与门限解密机制，确保聚合过程中模型参数始终处于加密状态，并防止单一节点泄密。通过引入参数敏感性分析与选择性加密策略，本系统仅对高风险参数进行加密，有效降低加密负担。同时，结合自适应隐私预算分配机制，系统根据模型训练状态动态调整噪声强度，在提升隐私保护能力的同时保持模型性能与收敛速度。本发明实现了强鲁棒性与抗合谋能力，支持部分客户端掉线情况下的稳定运行，适用于数据敏感度高、性能要求严苛的医疗、金融等应用场景。