SDP-FL：选择性差分隐私的工业物联网联邦学习框架
SDP-FL: federated learning framework based on selective differential privacy for IIoT
1. 上海理工大学 光电信息与计算机学院, 上海 200093
2. 香港狮子山网络安全实验室, 香港 999077
3. 上海出版印刷高等专科学校 信息与智能工程系, 上海 200093
4. 安徽财经大学 统计与应用数学学院, 蚌埠 安徽 233030
摘要
随着工业物联网(IIoT)快速发展，如何在保护数据隐私的前提下高效利用设备数据成为亟待解决的问题。联邦学习(FL)作为一种通过本地训练模型并共享模型参数的技术，已成为保障数据隐私的有效方法。然而，现有的FL方法仍存在隐私泄露的风险。为此，提出了一种面向工业物联网的选择性差分隐私联邦学习(SDP-FL)框架。该框架通过将智能工厂的终端设备作为客户端参与联邦学习，在客户端侧通过最小裁剪和高斯噪声保护局部模型隐私；在服务器端，采用基于损失函数差值的筛选机制来设定模型参数更新阈值，仅聚合高质量的本地模型。实验结果表明，SDP-FL框架在MNIST和CIFAR-10数据集上的分类准确率分别为97.8%和79.2%，较传统联邦学习方法分别提高了1.6%和0.6%。该方法有效避免了无用梯度的干扰，同时也提升了模型聚合效用。
基金项目
国家自然科学基金资助项目(62002184)
安徽省高校自然科学重点项目(2024AH050011)
香港狮子山网络安全实验室研究课题(LRL24017)
出版信息
DOI: 10.19734/j.issn.1001-3695.2025.07.0265
出版期卷: 《计算机应用研究》 优先出版, 2026年第43卷 第3期
发布历史
[2025-11-18] 优先出版
引用本文
刘暄, 刘亚, 王新中, 等. SDP-FL：选择性差分隐私的工业物联网联邦学习框架 [J]. 计算机应用研究, 2026, 43 (3). (2025-11-18). https://doi.org/10.19734/j.issn.1001-3695.2025.07.0265. (Liu Xuan, Liu Ya, Wang Xinzhong, et al. SDP-FL: federated learning framework based on selective differential privacy for IIoT [J]. Application Research of Computers, 2026, 43 (3). (2025-11-18). https://doi.org/10.19734/j.issn.1001-3695.2025.07.0265. )
关于期刊
- 计算机应用研究 月刊
- Application Research of Computers
-
刊号
ISSN 1001-3695
CN 51-1196/TP
《计算机应用研究》创刊于1984年，是由四川省科技厅所属四川省计算机研究院主办的计算技术类学术刊物。
《计算机应用研究》瞄准本学科领域迫切需要的前沿技术，及时反映国内外计算机应用研究的主流技术、热点技术及最新发展趋势。主要刊载内容包括本学科领域高水平的学术论文、本学科最新科研成果和重大应用成果。栏目内容涉及计算机学科新理论、计算机基础理论、算法理论研究、算法设计与分析、区块链技术、系统软件与软件工程技术、模式识别与人工智能、体系结构、先进计算、并行处理、数据库技术、计算机网络与通信技术、信息安全技术、计算机图像图形学及其最新热点应用技术。
《计算机应用研究》拥有众多高层次读者、作者，读者对象主要为从事计算机学科领域高、中级研究人员及工程技术人员，各高等院校计算机专业及相关专业的师生。多年来《计算机应用研究》的总被引频次及Web下载率一直名列本学科同类学术刊物前茅，所刊发的学术论文以其新颖性、学术性、前瞻性、导向性、实用性而备受广大读者的喜爱。
收录和评价
- 第二届国家期刊奖百种重点期刊
- 中国期刊方阵双效期刊
- 全国中文核心期刊（北大2023年版）
- 中国科技核心期刊
- 中国科学引文数据库(CSCD)来源期刊
- RCCSE中国核心学术期刊
- 中国计算机学会会刊
- 2020—2022年科技期刊世界影响力指数(WJCI)报告收录期刊
- 中国科技期刊精品数据库全文来源期刊
- 中国学术期刊综合评价数据库来源期刊
- 《中国期刊网》《中国学术期刊(光盘版)》来源期刊
- 2017—2019年中国国际影响力优秀学术期刊(自然科学与工程技术)
- 中国精品科技期刊顶尖学术论文(F5000)项目来源期刊
- 《中国工程技术电子信息网》《电子科技文献数据库》来源期刊
- 英国《科学文摘》(INSPEC)来源期刊
- 《日本科学技术振兴机构数据库》(JST)来源期刊
- 俄罗斯《文摘杂志》(AJ, VINITI)来源期刊
- 美国《艾博思科学术数据库》(EBSCO)全文来源期刊
- 美国《剑桥科学文摘(自然科学)》(CSA(NS))核心期刊
- 波兰《哥白尼索引》(IC)来源期刊
- 美国《乌利希期刊指南(网络版)》(Ulrichsweb)收录期刊
