FL-SQMPC：一种用于防御联邦物联网入侵检测中梯度反转攻击的安全量化聚合技术

《IEEE Journal of Selected Areas in Sensors》：FL-SQMPC: Secure Quantized Aggregation for Mitigating Gradient Inversion Attacks in Federated IoT Intrusion Detection

　　

摘要：

联合学习（FL）能够在不集中原始数据的情况下实现模型的协作训练，但模型更新的执行过程使客户端容易受到梯度反转攻击（GIAs）的影响，这种攻击仅通过交换的梯度就能重建出私有的训练数据。为了解决这个问题，我们提出了一种安全的聚合协议FL-SQMPC，该协议结合了逐层混合精度量化、定点编码以及在素数域上的加性秘密共享技术。在安全聚合器不发生串通的假设下，秘密共享层能够对每个客户端的更新数据进行信息论上的隐藏处理，而混合精度量化则降低了传输更新表示的精度和大小。我们在Bot-IoT、ToN-IoT和CICIoT2023三个场景中，对FL-SQMPC进行了评估，分别在其独立同分布（IID）和非独立同分布（non-IID）的分组条件下进行了测试，并将其与传统的FL、差分隐私技术、同态加密技术以及最近的基准算法（包括CIDIoT）进行了对比。在存在观察受保护量化更新的对手（即基于TabLeak的攻击模型）的情况下，即使在强串通参与者设置中，FL-SQMPC也能在大多数评估场景下保持比传统FL更高的表格特征恢复准确性。在预测效用方面，FL-SQMPC在可重复性噪声范围内与传统FL表现相当，并且在非独立同分布的多类数据设置中，其性能优于CIDIoT，提升了高达...'%的性能提升（具体增幅数字未在原始文本中提供）。此外，FL-SQMPC的计算开销显著低于HE（同态加密）和CIDIoT。这些结果展示了在资源受限的物联网部署中，隐私、效用和效率之间的实际平衡。