Design and Verification of a Verifiable Privacy-Preserving Cloud-IoT Computing Platform Integrating Differential Privacy and Edge Intelligence: Based on Secret Sharing and Gradient Masking Mechanisms

云物联网计算环境的快速发展带来了智能服务前所未有的机遇，但由庞大物联网设备产生的敏感数据也带来了严峻的隐私保护挑战。本文提出了一种多层隐私保护机制，整合差分隐私、秘密共享和梯度遮蔽，通过云端协作实现可验证的隐私计算，通过边缘智能技术实现。自适应噪声注入算法设计用于根据数据敏感性和隐私预算动态调整保护强度，提升模型收敛速度37.8%，同时保障隐私。改进的多阈值秘密共享方案支持灵活访问控制，结合稀疏梯度掩蔽技术，将通信开销降低89.1%。边缘节点负责预聚合和隐私测量任务，云端负责全球优化和零知识证明生成，实现合理分配计算任务。在包含200台终端设备的真实测试环境中，该系统在保持91.3%模型准确率的同时，将隐私泄露风险降低了82.9%，成员推断攻击成功率降至52.1%。与现有方案相比，该方法在隐私保护强度提升了56.3%，同时训练时间减少了32%，验证开销仅占总计算时间的3.2%。研究结果为云物联网计算环境中的隐私保护提供了理论指导和技术支持，在医疗、金融服务及其他领域具有显著应用价值。