面向智能企业隐私保护联邦学习的轻量级安全深度学习模型
密码学与安全
2025-03-05 v1 机器学习
摘要
不断增长的物联网连接推动了一种新型组织——智能企业的发展。在智能企业中，采用基于机器学习的模型从数据中提取洞察。由于这些传统模型在效率和隐私方面的挑战，一种新的联邦学习（FL）范式应运而生。在 FL 中，多个企业可以共同训练模型以更新最终模型。然而，首先，FL 训练的模型通常比集中式模型表现更差，特别是当企业的训练数据为非独立同分布时。其次，由于 FL 的中心化和本地企业的不可信性，传统的 FL 解决方案容易受到中毒攻击和推理攻击，并会侵犯隐私。第三，企业和服务器之间参数的持续传输增加了通信成本。为此，提出了 FedAnil+ 模型，这是一种新型、轻量级且安全的联邦深度学习模型，包含三个主要阶段。第一阶段的目标是解决数据类型分布偏斜的挑战。第二阶段涵盖了针对中毒和推理攻击的隐私保护问题。最后，为了缓解通信开销，提出了一种新颖的压缩方法，显著减小了更新的规模。实验结果验证了 FedAnil+ 能够抵御推理和中毒攻击且具有更好的准确性。此外，它在模型准确率（13%、16% 和 26%）、通信成本（17%、21% 和 25%）以及计算成本（7%、9% 和 11%）方面均优于现有方法。
引用
@article{arxiv.2503.02017,
title = {A Lightweight and Secure Deep Learning Model for Privacy-Preserving Federated Learning in Intelligent Enterprises},
author = {Reza Fotohi and Fereidoon Shams Aliee and Bahar Farahani},
journal= {arXiv preprint arXiv:2503.02017},
year = {2025}
}
备注
11 pages, 7 figures, IEEE Internet of Things Journal (2024)