VCFedAdam：面向分布式传感器网络联邦学习的可验证压缩FedAdam聚合方案

《Sensors》：VCFedAdam: A Verifiable and Compressed FedAdam Aggregation Scheme for Federated Learning in Distributed Sensor Networks

　　

联邦学习（federated learning, FL）使得分布式传感器网络（distributed sensor networks, DSNs）中的协作训练成为可能，而无需共享原始传感数据。然而，本地更新可能泄露私有信息，不受信任的服务器也可能返回错误的聚合结果。现有的可验证安全聚合方案通常会给资源受限设备带来高昂开销。为此，研究人员提出了一种可验证且压缩的FedAdam聚合方案（VCFedAdam）。VCFedAdam在低维草图（sketch）空间中执行掩码、聚合与验证操作；服务器仅恢复针对固定在线集合R的聚合结果，其中R由当前轮次中成功提交有效掩码草图的用户构成，并在聚合恢复前固定。此外，研究人员设计了承诺绑定验证（commitment-bound verification, CBV）机制，以防止服务器在获得审计信息后自适应地篡改聚合结果。在压缩比为0.05的条件下，实验结果表明，与传统安全聚合相比，VCFedAdam将计算开销降低90.25%，将通信开销降低75.38%。在CIFAR-10和MNIST数据集上，准确率仅分别下降0.64个百分点和1.16个百分点。安全性分析进一步证实，VCFedAdam同时实现了隐私保护和聚合可验证性。

**论文解读：VCFedAdam——面向分布式传感器网络的可验证压缩FedAdam聚合方案**

**一、研究背景与问题**

分布式传感器网络（distributed sensor networks, DSNs）广泛应用于可穿戴医疗、智能交通、工业监测和环境感知等场景。大量传感器设备持续采集本地数据，这些数据可能包含用户行为、位置、身体状况或工业过程等敏感信息。若将所有原始数据上传至中心服务器，会显著增加通信开销并引入隐私风险。联邦学习（federated learning, FL）允许传感器设备在本地训练模型，仅上传模型更新参与全局聚合，避免了原始传感数据的直接传输，因此适用于分布式感知环境。然而，模型更新仍可能泄露训练数据的敏感信息，聚合服务器也无法被完全信任，它既可能推断单个用户的更新，也可能返回错误的聚合结果。因此，DSNs中的FL既需要保护本地更新隐私，又需要验证服务器返回聚合结果的正确性。

现有的隐私保护FL方案主要采用安全聚合（secure aggregation, SA）、同态加密（homomorphic encryption, HE）、秘密共享（secret sharing, SS）和差分隐私（differential privacy, DP）等技术；可验证聚合则使用同态哈希、承诺、消息认证码或辅助实体来检查聚合结果。然而，这些方法大多在原始模型空间中执行安全操作，掩码、聚合恢复和验证的计算代价随模型维度d增长。传感器设备通常带宽、计算能力和能量受限，高维安全操作会造成沉重负担。模型压缩虽然可以降低传输开销，但简单地在现有安全聚合协议之前加入压缩并不充分，因为压缩表示仍包含用户更新信息，同样需要保护和验证。因此，需要一种轻量级