具有可验证性和鲁棒性的安全聚合技术,用于保护隐私的联邦学习
《Knowledge-Based Systems》:Secure Aggregation with Verifiability and Robustness for Privacy-Preserving Federated Learning
【字体:
大
中
小
】
时间:2026年01月13日
来源:Knowledge-Based Systems 7.6
编辑推荐:
联邦学习隐私保护中提出一种融合可验证秘密共享(VSS)与向量同态哈希(VHH)的安全聚合方案,解决现有方案处理退出客户端计算成本高及虚假份额影响鲁棒性问题。实验表明效率提升34%,在30%恶意客户端场景下仍保持稳定。
张英辉|王一达|刘伟|韩刚|曹进|田阳光
西安邮电大学网络空间安全学院,中国西安,710121
摘要
现有的联邦学习(FL)安全聚合方案在保护客户端本地模型参数隐私和验证聚合结果正确性方面取得了一定的进展。这些方案通常使用秘密共享(SS)技术来处理掉线客户端,但存在两个局限性:一是处理掉线客户端和验证聚合结果的计算成本较高;二是没有考虑虚假共享的问题,这影响了全局模型的鲁棒性。因此,本文提出了一种具有可验证性和鲁棒性的安全聚合方案,用于保护隐私的联邦学习(PPFL),以解决上述问题。首先,通过掩码技术对本地模型参数进行加密,以确保客户端本地模型参数的保密性。其次,采用可验证秘密共享(VSS)技术,不仅可以有效处理掉线客户端,还可以主动过滤恶意客户端提交的伪造共享,从而保证聚合过程的鲁棒性。最后,引入向量同态哈希(VHH)机制替代原有的复杂验证算法,以轻量级的方式实现聚合结果的准确验证。安全性分析表明,该方案能够保护客户端隐私和训练数据的完整性。实验结果表明,与不考虑错误共享检测的现有方案相比,所提方案的计算效率提高了约34%。同时,在存在30%恶意客户端的情况下,计算开销也趋于稳定,这更适合资源受限的场景,如移动设备和跨组织协作。
章节摘录
引言
由于机器学习(ML)强大的数据分析和预测能力,它已成为数字时代广泛采用的技术,极大地简化了人们的生活。然而,在传统的ML模式下,数据直接用于模型训练,这对客户端隐私构成了重大风险。联邦学习(FL)作为一种新兴的ML方法,打破了传统的集中式数据训练模式,允许多方共同训练模型,而无需
相关工作
在本节中,我们探讨了FL领域内三个与隐私保护相关的研究趋势。
初步介绍
在本节中,我们首先介绍与我们的方案相关的一些背景知识。
提出的方案
在本节中,我们首先介绍该方案的系统模型,然后详细阐述方案的具体内容。
提出的方案分析
在本节中,我们首先证明方案中重要公式的正确性。接着,我们解释可能破坏聚合方案的恶意参与者的行为。
评估
在本节中,我们从三个方面对提出的方案进行实验评估。首先,我们详细分析该方案的总体计算开销和通信开销。其次,将其与现有方案进行比较。最后,我们使用MNIST [34]和CIFAR-10 [35]真实数据集,将其模型准确性与标准FedAvg [28]算法进行比较,以评估其在确保全局模型鲁棒性方面的有效性。
结论
我们提出了一种具有可验证性和鲁棒性的PPFL安全聚合方案。通过整合VSS和VHH,我们的方案显著降低了计算开销,并有效解决了恶意客户端提交的畸形秘密共享问题。这确保了客户端本地模型参数的隐私性以及全局模型的正确性和鲁棒性。安全性分析证实了其对抗推理和主动攻击的能力。实验结果
CRediT作者贡献声明
张英辉:撰写 – 审稿与编辑、监督、项目管理、资金筹集。王一达:撰写 – 原始草稿、方法论、形式化分析、概念化。刘伟:可视化、形式化分析、数据整理。韩刚:监督、项目管理、方法论。曹进:撰写 – 审稿与编辑、监督、形式化分析。田阳光:撰写 – 审稿与编辑、监督、项目管理。
利益冲突声明
作者声明他们没有已知的财务利益冲突或个人关系可能影响本文所述的工作。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号