目前，在医疗物联网环境中，联邦学习面临着两大挑战：各参与者数据量分布不平衡和各参与者计算资源不均衡的问题。这两个挑战使得各方参与者在进行本地模型训练时，面临着训练时间过长的问题，从而显著地降低了训练过程的计算效率。另外，在医疗物联网中，参与设备规模庞大、通信环境复杂。设备管理、通信管理以及模型部署等问题也随之而来，这些问题限制了联邦学习在实际医疗物联网应用中的部署。

因此，如何提高联邦学习在非独立同分布（Non-IID，Non-Independent and Identically Distributed）场景下的收敛性能、降低计算时间消耗，并设计适用于医疗物联网的联邦学习架构成为研究的关键。该文在降低联邦学习计算时间消耗和构建适用于医疗物联网联邦学习系统方面开展工作，该文主要工作如下：

1、针对各参与者数据量不平衡的问题，该文提出了一种改进联邦学习训练过程的算法。该算法基于分层聚合和动态部署，参与者在本地部署联邦学习训练服务，根据每回合的计算资源和本地数据量动态部署部分训练服务，以平衡各参与者计算时间消耗，缩短每回合训练的时间消耗。该文在UCI HAR数据集和PathMNIST数据集上开展了实验，并对比了目前流行的联邦学习算法。在实验结果表明，该文提出的算法能够在各参与者数据量分布不平衡和各参与者计算资源不均衡的环境下，显著减少联邦学习训练过程中的计算时间消耗，且不降低模型性能。

2、针对医疗学习环境中的增量学习问题，即在医疗物联网中，参与者不断产生新数据或新参与者加入联邦学习。这些新数据可能与之前训练过的数据相似。为了减轻计算负担，该文提出了一种新的增量联邦学习算法。该算法通过筛选有效数据集来训练，在模型聚合算法中，视情况进行加权聚合或在先前参数空间的正交方向上进行更新，以缩短每回合训练的时间消耗。同样，本文在UCI HAR数据集和PathMNIST数据集上开展了实验，并对比了目前流行的联邦学习算法。实验结果表明，本文提出的算法能够在增量学习环境中，显著减少联邦学习训练过程中的计算时间消耗，且不降低模型性能。

随着社会对医疗问题日益关注，物联网和云计算技术的发展为医疗系统带来了许多便利，包括患者隐私数据的采集、云端存储和远程诊疗服务等。然而，这些技术的快速发展也带来了一些安全挑战，特别是云服务器可能面临外部攻击，导致患者隐私信息的泄露或损坏。这不仅给医院带来损失，也可能对患者产生负面影响。因此，如何有效保障医疗数据的安全存储并防止未授权用户访问，成为当前研究的焦点。基于CPABE的加密方案由于其出色的数据隐私保护能力和灵活的访问控制机制，非常适合应用于医疗物联网场景中的数据安全共享。

该文主要针对医疗物联网场景下的数据安全共享进行了深入研究，通过对当前密文策略属性基加密方案进行分析，发现传统方案存在密文搜索和用户解密效率低、用户撤销后频繁更新私钥、访问策略单一、恶意数据拥有者以及医护人员滥用隐私数据等问题。在此基础上，提出了两种针对医疗物联网场景的新型数据共享方案：支持用户撤销的可搜索电子健康记录共享方案和医疗场景下基于属性的可净化可协同数据共享方案。这些方案重点考虑了细粒度访问控制、访问策略扩展、密文数据检索、用户撤销、密文净化以及解密开销等方面，以适应医疗物联网场景下的数据安全共享需求。最后，设计并实现了一款基于属性基加密的EHRs 管理系统，该系统实现了数据加密、密文 净化、密文检索以及数据解密等功能，为医护人员和患者提供了安全可靠、操作简单的医疗数据共享平台。

作者：王政