S2D-FL：一种基于稀疏性和信任度的联邦学习方法，旨在提升物联网边缘计算中的系统鲁棒性和数据隐私性

《IEEE Open Journal of the Computer Society》：S2D-FL: Sparsity-Guided and Trust-Aware Federated Learning for Joint Robustness and Privacy in IoT Edge Computing

　　

摘要：

联邦学习（FL）能够在保持数据隐私的同时，实现分散式物联网边缘设备之间的协作模型训练。然而，实际部署面临一个关键挑战：在资源严重受限和非独立同分布（non-IID）数据环境下，如何同时实现对抗恶意攻击的鲁棒性、强局部差分隐私（LDP）以及通信效率。现有方法在实施LDP时会牺牲性能，或者在异构环境中无法检测到复杂的攻击。我们提出了S2D-FL，这是一个针对物联网边缘计算的层次化框架，它将基于稀疏性的隐私机制与长期信任感知声誉管理（LTRM）策略相结合。在客户端层面，基于稀疏性的自适应LDP（S-ALDP）通过动态的顶层稀疏化和噪声校准，将通信开销降低了95%（具体数值为0.05×），同时保持强大的LDP保护。在边缘到云的层面，自适应稀疏过滤聚合（ASF-Agg）结合了即时统计过滤和长期声誉跟踪，以抵御拜占庭式攻击。在严格的LDP预算下（例如，? =5.0），S2D-FL在CIFAR-10数据集上的标签翻转攻击准确率达到了82.6%，比最先进的基线方法高出11.4%。我们的解决方案为现实世界的物联网应用提供了强大的隐私保护和鲁棒性优势。