文章总结本文提出了一种安全、抗退出且可验证的联邦学习协议，旨在解决传统联邦学习中用户隐私泄露、用户中途退出影响模型聚合，以及服务器可能篡改结果的关键问题。其核心设计结合分布式掩码机制、双重聚合验证与形式化安全证明，适用于医疗等高隐私敏感场景。核心贡献与技术亮点隐私保护机制分布式随机掩码：用户使用与多个辅助节点协商的共享种子密钥生成伪随机数，对本地梯度进行加噪（x̂_n = x_n + ∑PRG(s

然而，在物联网场景中，深度学习仍面临许多挑战和问题。深度学习通常依赖于集中式训练方法，其中大量客户端将本地数据发送到云服务器进行集中式模型训练[5]，这可能导致敏感数据泄露。在今天的数字经济中，数据是基础资源，数据隐私保护是物联网治理的基础。因此，提出了一种分布式学习方法——联邦学习（Federated Learning, FL）。在联邦学习中，客户端将本地模型发送到云服务器，而不会暴露本地敏感数

隐私保护联邦学习是一种分布式机器学习，多个合作者通过受保护的梯度来训练模型。为了实现对用户退出的鲁棒性，现有的实用隐私保护联邦学习方案都是基于（t，N）-门限秘密共享的。这种方案依赖于一个强假设来保证安全性：阈值t必须大于用户数的一半。这种假设是如此严格，以至于在某些情况下，这些方案可能并不合适。基于这个问题，我们首先引入了联邦学习的成员资格证明，它利用密码累加器通过累加用户ID来生成成员资格证明

摘要-联邦学习（FL）已被广泛用于工业5.0中的隐私保护模型更新，并得到了6 G网络的支持。尽管FL具有保护隐私的优势，但它仍然容易受到攻击，对手可以从本地模型中推断出私人数据或操纵中央服务器（CS）以提供伪造的全局模型。目前的隐私保护方法，主要是基于FedAvg算法，无法优化非独立和同分布（非IID）数据的训练效率。本文提出了培训有效的和可验证的聚集（TEVA）的FL来解决这些问题。该方案结合了

随着算法的显著进步和数据的广泛可用，深度学习在图像识别 [1]、语言翻译 [2]、医学诊断 [3] 和金融投资 [4] 等领域取得了重要里程碑，接近甚至超越了人类水平。大量的数据在促进深度学习训练和预测过程中发挥了关键作用；然而，这也带来了隐私方面的担忧。首先，将参与者的私密数据纳入数据集可能无意中暴露相关个人的敏感信息。此外，当数据上传至服务器时，数据拥有者对其私密数据的使用缺乏意识和控制。某些

摘要-联邦学习（FL）已被广泛用于工业5.0中的隐私保护模型更新，并得到了6 G网络的支持。尽管FL具有保护隐私的优势，但它仍然容易受到攻击，对手可以从本地模型中推断出私人数据或操纵中央服务器（CS）以提供伪造的全局模型。目前的隐私保护方法，主要是基于FedAvg算法，无法优化非独立和同分布（非IID）数据的训练效率。本文提出了培训有效的和可验证的聚集（TEVA）的FL来解决这些问题。该方案结合了

简单来说是一个雾节点连邦学习，利用同态加密，和区块链的知识，主要 是：首先用户在雾节点里边进行了注册服务，然后雾节点提供用户认证和识别，用户进行登陆后，经过fn检查才能使用计算，然后进行训练：初始化全局模型，每个轮次开始的时候，雾节点利用当前的全局模型斤初始化本地模型，在fn处：检索用户训练所需要的本地数据，对于每个用户来说，进行梯度算法更新，更新后加密传输，雾节点利用本地模型聚合，聚合得到的本地