随着云计算和大数据的飞速发展,云服务器因其强大的存储和计算能力被广泛用来实现数据外包的机器学习模型的训练,但这种学习方式,也带来了一定程度的安全风险,即个人隐私数据的泄漏。出于对数据隐私保护和数据中心化存储的担忧,以及更好地发挥数据的价值,联邦学习应运而生。参与者无需将个人数据通过云端存储进行集中建模,而是先在本地进行模型训练,然后将训练的模型参数传输至服务器聚合,以此来实现本地模型的实时更新和优化。但联邦学习仍然存在隐私和安全问题。一方面,本地共享的模型参数会遭到泄露,数据分析者通过逆向推理即可从共享模型参数中挖掘用户的个人信息;另一方面由于服务器无法直接检验用户的本地训练数据,所以很容易遭到恶意用户的攻击。一些恶意用户故意提供伪造的模型参数,导致全局模型最终无法收敛或模型不能实现正确预测。基于此,本文的主要研究工作如下:1.为了保证现有的基于压缩密文的全同态加密方案在联邦学习模型更新时共享模型参数的隐私性以及提高计算和通信效率,本文提出了一种多密钥聚合的高效联邦学习隐私保护方案。方案首先改进了R-LWE同态加密算法,在安全性不变的条件下简化其相关运算,提高了计算效率。其次定义了聚合公钥和解密共享,采用改进的R-LWE同态加密对本地模型参数等隐私数据使用多密钥聚合的公钥加密保护,再将密文上传至云服务器聚合,而聚合密文的解密需要所有参与者的协作共享,有效防止了联邦学习中公开共享信息的隐私泄露。最后通过安全性分析和实验评估表明,该方案不仅可以有效抵抗k≤n-2个参与者与云服务器之间的合谋攻击,而且与传统的联邦学习相比,还保持了模型的准确性并降低了通信开销。2.为了保证现有的拜占庭鲁棒随机聚合算法在联邦学习模型更新时共享模型参数的隐私性,本文提出了一种支持拜占庭鲁棒联邦学习的隐私保护方案。方案在现有的拜占庭鲁棒随机聚合算法的基础上,首先采用了分布式Paillier同态加密算法对本地模型参数加密上传至云服务器聚合,保证了共享模型参数的隐私性。其次在聚合之前,云服务器使用零知识证明中的集成员证明协议来检测并过滤拜占庭参与者上传的异常模型参数,解决了参与者共享模型参数的不可信问题,为模型训练提供了高效的保障。最后通过实验分析,验证了该方案不仅可以保护用户隐私,而且能够避免多种拜占庭攻击,保持模型鲁棒性。