丽水学院

本发明公开了基于无偏距离估计的差分隐私个性化联邦学习方法、系统、电子设备及介质，方法如下：S1、服务器初始化模型，再将全局模型与聚类模型分发给每个客户端；S2、客户端进行微调训练，得到更新后的本地个性化模型；S3、客户端生成受差分隐私保护的带噪模型，后上传至服务器；S4、服务器接收所有客户端上传的带噪模型后，得到任意两个客户端间的无偏余弦相似度，并更新全局相似度矩阵；S5、服务器根据更新后的相似度矩阵，进行加权聚合，生成新一轮的专属聚类模型；S6、服务器利用所有带噪模型，生成新一轮的全局模型；S7、服务器将新一轮的全局模型和聚类模型分发给各客户端，重复执行，直至停止，输出客户端受隐私保护的个性化模型。

本发明公开了面向雾计算的服务缓存受限下最大化加速比的多任务卸载方法及系统，方法如下：S1、控制器初始化系统服务类型集合、各雾服务器的滑动窗口；雾服务器、向控制器注册；S2、用户终端生成需要特定服务类型的任务，并将任务信息发送至控制器；控制器在时隙开始驱动雾服务器完成本地服务镜像的更新；S3、建立基于终端与雾服务器协同计算的任务处理延迟模型、加速比模型和卸载比例决策模型；S4、生成使全局预期加速比最优的初始任务执行顺序序列；S5、为每个任务执行联合调度，得到任务与雾服务器的匹配结果以及任务卸载比例；S6、更新各雾服务器的滑动窗口内容，将最终的用户终端与雾服务器的匹配结果和卸载比例下发给用户终端和雾服务器。