计算机工程

作者：牛淑芬, 王宁, 周旭升, 孔维滢, 陈丽华

单位：西北师范大学计算机科学与工程学院, 甘肃 兰州 730070

关键词：智慧医疗,联邦学习,同态加密,秘密共享,密文可验证

基金：国家自然科学基金(62241207); 国家自然科学基金(62462058); 国家自然科学基金(62262060); 甘肃省科技项目(22JR5RA158)

联邦学习促进了不同医疗机构之间的数据共享和合作, 提高了医疗诊断、治疗和预测的准确性和效率。然而在医疗场景中, 现有联邦学习方案仍然存在安全和效率上的问题。在训练过程中, 模型参数的更新可能会间接地泄露有关本地训练数据集的信息。为了保证模型参数的机密性, 研究人员提出了各种解决方案, 例如掩码协议和差分隐私。使用掩码协议的解决方案通常不具有较高的安全性, 而使用差分隐私的解决方案则需要在准确性和隐私性之间进行权衡。为了解决上述挑战, 提出一种智慧医疗中基于秘密共享和同态加密的安全联邦学习方案。在模型训练过程中, 该方案能够有效抵御医疗云和医疗客户端对模型参数的窃取, 同时可以抵抗多个参与方的共谋攻击。最后, 通过密文验证算法, 确保模型参数在训练过程中的可验证性。安全性和性能分析结果表明, 该方案在智慧医疗场景中可以满足模型参数的机密性和完整性要求, 与现有方案相比, 在计算效率和传输效率上也有显著提升。

来源：2026年第4期

《计算机工程》期刊编辑部

查看计算机工程杂志2026年第4期