摘要
我们致力于解决安全且私密的特征选择问题，方法是对由边缘物联网设备所拥有的横向分割的私有数据集的加密数据进行同态评估，以此判断各特征的信息增益。在此过程中，我们利用强大的云服务器来处理耗时的同态加密聚合任务。接着，我们在相同的环境条件下，针对选定的特征进行安全且私密的联邦学习训练以及机器学习分类操作。在此过程中，各参与者需在严格的安全、隐私和效率要求下进行交互。为此，我们对每个参与者的交互内容使用对应参与者的私钥进行哈希处理并签名，从而确保内容的机密性、完整性和真实性。我们还通过引入时间戳，并将其与之前交互的哈希内容关联起来，以确保各交互之间的一致性。在运行协议时，来自各参与者每次交互的这些哈希内容块会构成所谓的“区块链”结构，该结构可用于识别恶意边缘物联网数据集所有者、未经授权的参与者以及网络故障。所提出协议的安全性通过严谨的数学建模得到了证明。在基准数据集上的大量实验结果表明，与现有技术相比，我们的安全协议在计算和通信成本以及安全和隐私性能方面都具有显著优势，优势幅度从数倍到多个数量级不等。此外，由于所使用的底层加密技术能够抵御量子计算机攻击，因此这些算法也适用于后量子时代。
