面向联邦学习的可验证安全聚合方案

• 全文链接
• 请求原文

作   者：

任艳丽;  付燕霞;  李烨榕; 

作者机构：

上海大学通信与信息工程学院; 

关键词：

安全聚合;  隐私增强;  可验证;  联邦学习;  同态加密; 

期刊名称：

北京邮电大学学报

i s s n：

1007-5321

年卷期：

2023 年 03 期

页   码：

49-55

摘   要：

在联邦学习中，多个数据拥有者可以联合训练一个高质量模型，有效地解决了数据孤岛问题，且能实现用户数据的隐私保护。然而，目前的联邦学习存在模型泄露、训练结果无法验证以及用户计算和通信代价较高等问题。对此，提出了面向联邦学习的隐私增强可验证安全聚合方案，实现了用户数据和模型参数的隐私保护，训练结果的可验证性，且大幅降低了用户的计算开销和通信代价。所提方案采用同态加密算法处理浮点运算，基于线性同态哈希函数验证聚合结果的正确性，其中部分用户掉线不影响最终的聚合结果。实验结果表明，所提方案具有较小的计算开销，且有效提高了训练模型的检测性能。