安全且可扩展的客户端预过滤与身份验证框架，用于联邦学习系统

《Scientific Reports》：Secure and scalable client pre-filtering and authentication framework for federated learning systems

　　

摘要

联邦学习系统强调去中心化，允许协作模型训练以确保数据的隐私性和安全性。客户端认证是去中心化系统中的一个重要因素，可以防止未授权访问和未授权用户在模型准备期间添加异常或不相关的信息，从而导致模型变得脆弱、被污染和不一致。本文提出的框架采用两阶段客户端验证管道。在第一阶段，概率数据结构作为轻量级准入预筛选器，在任何加密操作执行之前对候选客户端进行筛查：对于静态客户端群体，使用布隆过滤器（BF）；对于动态客户端群体，使用自适应商过滤器（AQF），从而在基础模型分发之前以及梯度更新收集期间实现快速的成员资格筛查。在第二阶段，通过预筛选器准入的客户端 undergo ECDSA-based signature verification，这构成实际的认证步骤，并补偿了概率过滤固有的残余误报。该设计使服务器能够通过BF/AQF廉价地拒绝大部分未授权请求，同时将昂贵的加密验证保留给真实候选者。本研究使用的数据集是IP地址地理配置文件数据集，包含129,857条记录。评估涵盖了BF和AQF相对于六种替代数据结构的内存使用率、查找时间和误报行为。BF和AQF使服务器端内存使用量相比Trie减少了高达90%（例如，对于100,000个密码派生的凭证，分别为1.9 MB和3 MB，而Trie为23.2 MB），代价是相对于基于哈希的结构有适度的查找时间开销（对于100,000条记录，BF/AQF为0.054–0.064秒，而HashSet为0.003–0.006秒）。在协议层面，将BF/AQF预筛选与ECDSA验证相结合，在30%拜占庭客户端的模拟环境下，相比仅使用ECDSA认证，认证消息和通信成本减少了约30%，且随着轮次的增加收益不断累积（50轮内通信成本从125,000 KB降至87,537.5 KB）。研究结论认为，在多客户端从不同区域参与的分散环境中，通过将BF/AQF与基于ECDSA的签名验证相结合，所提出的模型提供了一个安全且可扩展的客户端筛选和认证框架。实验结果在内存使用、性能分析和对未授权客户端的抗性方面展现了显著变化。