通过安全聚合和动态验证技术提升边缘计算中的联邦学习性能

针对恶意服务器攻击联邦学习的问题，提出动态安全可验证联邦学习（DSVFL）方案，包括细粒度梯度选择加速收敛、单云安全聚合防止参数泄露，以及基于Shamir秘密共享的可信验证机制。实验表明DSVFL能降低48%-63%计算成本和33%-49%通信开销。

　　

摘要：

联邦学习（FL）允许多个客户端交换梯度，以促进边缘计算中的协作训练，而无需将私有数据传输到云服务器。然而，恶意服务器可能会通过获取梯度来推断客户端信息或伪造验证结果，从而干扰模型训练过程。考虑到这些威胁，我们构建了一种动态、安全且可验证的FL方案，称为DSVFL。具体来说，我们提出了一种细粒度的梯度选择算法，该算法可以加速模型收敛，使模型准确度提高多达49.14%。此外，我们还提出了一种单云安全聚合协议，确保服务器无法访问真实的模型参数。我们还设计了一种可信的验证算法，以验证服务器的聚合结果，同时防止服务器与客户端之间的勾结。在联邦学习的动态过程中，我们在聚合和验证阶段都采用了Shamir的秘密共享技术，这使得即使在客户端退出的情况下，也能正确地聚合和解密密文，并独立验证客户端签名。严格的理论分析表明，DSVFL能够保护数据隐私并确保正确的训练结果。实验结果表明，与现有解决方案相比，DSVFL可以将客户端的计算成本降低48%–63%，通信开销降低33%–49%。

引言

人工智能、物联网和云计算等新兴行业的无缝整合使数据成为了一种宝贵的资源。因此，这对应对数据共享提出了更严格的保护要求。联邦学习（FL）[1]、[2]的特点是通过传输模型参数来进行模型训练，而无需交换数据集，为边缘计算中的数据保护提供了一种新的方法。它从根本上解决了不同应用场景中数据孤岛的问题[3]、[4]、[5]，从而促进了去中心化数据的研究。然而，FL仍然面临通信和安全瓶颈问题，这些问题限制了其发展。