用于语音指令识别的去中心化联邦学习系统的性能分析：韧性及安全性考量

《Journal of Sensor and Actuator Networks》：Performance Analysis of a Decentralized Federated Learning System for Spoken-Command Recognition: Resilience and Security Considerations

　　

摘要

在工业领域的边缘到云的连续体中，数据通常具有隐私敏感性，并涉及到多个彼此并不完全信任的组织，因此对原始数据進行集中式汇总是不可取的，而且往往不符合《通用数据保护条例》（GDPR）等法规的要求。联邦学习（FL）通过共享模型更新而不是原始数据来解决这个问题，但传统的FL需要一个中央协调者，这使其容易受到中毒攻击和单点故障的影响。去中心化联邦学习（DFL）将FL与分布式账本技术（DLTs）相结合，消除了协调者的需求，并在无信任的跨组织环境中实现了可验证的汇总。在这项工作中，我们通过比较在理想化和对抗性条件下的去中心化和集中化训练，评估了DFL在设备端语音命令识别任务中的适用性——这是支持语音驱动工业界面的一项典型边缘音频任务。我们使用在边缘节点上复制的卷积神经网络（CNN）来评估系统对节点间数据不平衡、中毒攻击以及防止推理攻击的隐私保护噪声注入机制的鲁棒性，并考虑了资源受限的边缘设备的模型压缩问题。该系统还将这种比较与基于验证的中毒防御机制相结合，在这种机制中，每个节点根据自己保留的数据对其他节点的更新进行评分，只有当大多数节点报告的加权F1分数超过阈值时才汇总更新——这样做既不需要共享的验证集，也不需要可信的验证器。我们的结果表明，在大多数场景下，DFL系统的准确率与集中式系统相当（九个节点上的加权F1分数为0.762，而集中式系统为0.896）；只要不到一半的节点受到攻击，基于节点间验证的机制就能可靠地排除被篡改的更新（与未受攻击的模型相比误差在3.54%以内）。基于噪声的推理防御机制会显著降低准确率（在噪声标准差为1.0的情况下平均降低44.7%），这暴露了隐私与性能之间的明显权衡，而模型压缩则能够保持性能（经过剪枝和格式转换后的准确率为0.765，8位量化会进一步降低13.3%）。这些发现阐明了去中心化、隐私保护学习在工业领域边缘到云连续体中的潜力和当前的限制。