边缘计算作为处理大数据的一种方式,其模型参数在传输过程中的安全性及高效性得到了越来越多的关注。在这种时代背景下,用户对自身的隐私保护意识逐步提高,不希望以牺牲隐私为代价获取服务;同时,随着大量智能终端设备接入网络,数据呈爆炸式增长,而多数数据不具有使用价值,使得训练的模型可用性降低且易带来网络传输压力,故边缘侧训练的模型参数无需全部上传。因此本文研究了在边缘计算场景下,通过对模型参数的隐私保护和压缩保证边缘用户的隐私安全和网络传输压力,具体内容如下:（1）本文提出基于本地差分隐私的联邦学习隐私保护算法。该算法在云-边-端三层模型架构下使用联邦学习算法,训练全程数据不会离开本地,边缘用户与边缘设备之间通过模型参数的传递共享数据信息。边缘设备通过训练本地数据,得到本地的训练模型参数,为进一步保护用户数据隐私安全,参与训练的本地模型参数在上传之前使用本地差分隐私添加扰动,得到加密的模型参数后再聚合,从而保证本地模型参数在传输聚合过程的安全。实验结果表明,提出的方法实现了对边缘计算中用户隐私的保护。（2）本文提出基于Top-K的Adam梯度优化压缩算法。该算法的实现是基于边缘-联邦学习框架,首先对边缘设备训练的模型梯度进行稀疏化处理,得到压缩梯度;再根据Top-K对梯度进行选择,通过设置阈值K,将满足阈值的梯度上传,不满足阈值的梯度保留在本地并参与下一轮训练,直至梯度累积满足条件上传。对于需要上传的模型梯度,通过Adam自适应算法将历史矩阵作为正则项,对稀疏矩阵正则化,动态调整模型参数学习率,加快模型收敛速度;而对于积累在本地的梯度,使用带有动量的随机梯度下降（stochastic gradient descent,SGD）加入稀疏梯度,对梯度进行校正,避免了累积在本地的梯度稀疏程度过高影响模型收敛。实验结果表明,提出的方法实现了模型参数的压缩效果和确保模型的收敛性。图[23]表[6]参[81]