(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110631907.8 (22)申请日 2021.06.07 (65)同一申请的已公布的文献号 申请公布号 CN 113312847 A (43)申请公布日 2021.08.27 (73)专利权人 北京大学 地址 100871 北京市海淀区颐和园路5号 (72)发明人 宋令阳　刘天宇　安鹏　边凯归　 程翔　孙绍辉　庹虎　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 代理人 杨媛媛 (51)Int.Cl. G06F 30/27(2020.01) G06F 9/50(2006.01) G06N 20/20(2019.01)G06F 21/62(2013.01) G06F 111/06(2020.01) (56)对比文件 CN 111311257 A,2020.0 6.19 审查员 张春洁 (54)发明名称 一种基于云-边-端边缘计算系统的隐私保 护方法及系统 (57)摘要 本发明涉及一种基于联邦学习的云 ‑边‑端 边缘计算系统的隐私保护方法及系统， 包括： 基 于用户设备的隐私预算建立收敛性模型和隐私 泄露模型； 基于收敛性模型和隐私泄露模型， 建 立云服务器效用函数、 边缘服务器效用函数和用 户设备效用函数； 基于最优控制理论的算法优化 边缘服务器效用函数和用户设备的效用函数， 得 到边缘服务器激励策略和用户设备隐私策略； 基 于梯度上升的算法优化云服务器效用函数， 得到 云服务器激励策略； 基于用户设备隐私策略、 边 缘服务器激励策略和云服务器激励策略进行图 像分类模型的联邦学习， 实现联邦学习过程中用 户设备隐私数据的保护， 同时也能够提高图像分 类模型的分类精度。 权利要求书4页 说明书6页 附图5页 CN 113312847 B 2022.02.15 CN 113312847 B 1.一种基于云 ‑边‑端边缘计算系统的隐私保护方法， 其特 征在于， 包括： 基于用户设备的隐私预算建立收敛性模型和隐私泄 露模型； 基于所述收敛性模型和所述 隐私泄露模型， 建立云服务器效用函数、 边缘服务器效用 函数和用户设备效用函数； 所述云服 务器效用函数为： 其中， G表示 云服务器上的 图像分类模型满意度； Ii表示第i个边缘服务器的激励大小； M 为边缘服务器的数量； C表示常数； λ ′1， λ′2， λ′3分别为常数； ai， Ci， λ1,i， λ2,i， λ3,i分别表示随i 值变化的不同常数； θi,j表示第i个边缘服务器下第j个用户设备 的一种合约类型； εi( θi,j) 表示第i个边 缘服务器下第j个用户设备的隐私预算； 所述边缘服务器效用函数为： 其中， 表示第i个边缘服务器效用函数； Ni表示第i个边缘服务器下的用户设备数 量； 表示第i个边缘服务器下第j个用户设备的合约类型上限值； θi,j表示第i个边缘服务 器第j个用户设备的合约类型下限值； pi( θi,j)表示第i个边缘服务器的概率密度函数； Ri ( θi,j)表示第i个边 缘服务器下第j个用户设备获得的回报函数； 所述用户设备效用函数为： 其中， 表示第i个边缘服务器下的第j个用户设备的效用函数； θi,j表示第i个 边缘服务器下第j个用户设备的对应合约类型； l( εi( θi.j))表示第i个边缘服务器下第j个 用户设备的隐私泄 露程度； 基于最优控制理论的算法优化所述边缘服务器效用函数和所述用户设备的效用函数， 得到边缘服务器激励策略和用户设备隐私策略； 基于梯度上升的算法优化所述云服 务器效用函数， 得到云服 务器激励策略； 基于所述用户设备隐私策略、 所述边缘服务器激励策略和所述云服务器激励策略进行 图像分类模型的联邦学习， 实现联邦学习过程中用户设备隐私数据的保护。 2.根据权利要求1所述的方法， 其特 征在于， 所述收敛性模型为： 其中， λ1， λ2， λ3均为常量； εi( θi.j)表示第i个边缘服务器 下第j个用户设备的隐私预算； N 表示用户设备的数量；权　利　要　求　书 1/4 页 2 CN 113312847 B 2所述隐私泄 露模型为： 其中， b1， b2， c均为常量； L表示用户设备上的图像分类模型参数的最大取值； T表示用户 设备上的图像分类模型整合次数； D表示本地图像分类数据集大小。 3.根据权利要求1所述的方法， 其特征在于， 所述基于最优控制理论的算法优化所述边 缘服务器效用函数和所述用户设备的效用函数， 得到边缘服务器激励策略和用户设备隐私 策略， 具体包括： 构建所述 边缘服务器效用函数和所述用户设备的效用函数的约束条件； 根据所述约束条件构建汉密尔顿算子； 基于所述汉密尔顿算子计算所述 边缘服务器激励策略和所述用户设备隐私策略。 4.根据权利要求3所述的方法， 其特 征在于， 所述约束条件为： 其中， 表示第i个边缘服务器下第j个用户设备的任 意一种非对应合约类型， θi,j表示 第i个边缘服务器下第j个用户设备的对应合约类型， εi( θi,j)表示第i个边缘服务器下第j 个用户设备的隐私预算， l( εi( θi,j))表示第i个边缘服务器下第j个用户设备的隐私泄露程 度， Ri( θi,j)表示第i个边缘服务器下第j个用户设备获得的回报函数； 表示采用 任意一种非对应合约类型时的隐私泄露程度， 表示采用任意一种非对应合约类型 时获得的回报函数。 5.根据权利要求3所述的方法， 其特 征在于， 所述汉密尔顿算子为： 其中， q( θi,j)表示辅助函数； a为常数； θi,j表示第i个边缘服务器下第j个用户设备的对 应合约类型； 表示第i个边缘服务器下的第j个用户设备的效用函数； pi( θi,j)表示 第i个边缘服务器的概率密度函数； εi( θi,j)表示第i个边缘服务器下第j个用户设备的隐私 预算； λ2、 λ3均为常量； l( εi( θi,j))表示第i个边 缘服务器下第j个用户设备的隐私泄 露程度。 6.根据权利要求1所述的方法， 其特 征在于， 所述边缘服务器激励策略表达式为： 所述用户设备隐私策略表达式为：权　利　要　求　书 2/4 页 3 CN 113312847 B 3