AP3-FedFleet：面向异构物联网系统的动态分层隐私保护异步联邦学习

《IEEE Access》：AP3-FedFleet: Asynchronous Federated Learning with Dynamic Layer-Wise Privacy Protection for Heterogeneous IoT Systems

　　

摘要：

联邦学习（FL）使多台设备能够在不共享原始数据的情况下协同训练机器学习模型，非常适合物联网（IoT）应用。然而，这种方法并非完全安全，因为交换的梯度仍可能泄露敏感信息。诸如梯度深度泄露（DLG）等攻击可以重建原始训练数据，而成员推理攻击（MIA）可以确定某个数据样本是否在训练过程中被使用。此外，现实中的物联网系统面临因设备异构性带来的重大挑战，计算能力和通信条件的差异导致延迟、收敛不稳定以及训练效率低下。为应对这些挑战，本文提出了AP3-FedFleet，一个统一框架，可同时处理隐私保护和设备异构性问题。该方法采用三层架构，由客户端、边缘服务器和中央服务器组成，支持异步学习以避免慢速设备造成的延迟。在隐私保护方面，每个客户端对其梯度应用一系列操作，包括梯度裁剪以限制敏感性、零空间旋转以破坏重建攻击，以及仅针对动态识别的高风险层的选择性噪声注入。在边缘层面，安全聚合确保个人更新保持隐藏，而中央服务器根据更新新鲜度、准确性趋势和模型分歧执行陈旧性感知的自适应聚合，以维持稳定学习。在MNIST数据集上的实验结果表明，AP3-FedFleet有效缓解了梯度重建问题，实现了较低的PSNR（7.29 dB）并降低了成员推理风险，曲线下面积（AUC）接近随机猜测（0.491），同时在不同设备异构性水平下保持了高分类准确率。这些结果证实了所提框架提供...

查看更多