面向 5G 网络的安全联邦学习框架
密码学与安全
2020-07-30 v1 机器学习
网络与互联网体系结构
摘要
联邦学习（Federated Learning, FL）近期被提出作为一种新兴范式，它利用本地存储并维护在 5G 网络中不同设备上的分布式训练数据集来构建机器学习模型，同时为参与者提供隐私保护。在 FL 中，中心聚合器收集参与者上传的本地更新以更新全局模型。然而，存在两种关键的安全威胁：中毒攻击和成员推理攻击。这些攻击可能由恶意或不可靠的参与者实施，导致全局模型构建失败或 FL 模型隐私泄露。因此，为 FL 开发安全防御手段至关重要。在本文中，我们提出了一种基于区块链的安全 FL 框架，以创建智能合约并防止恶意或不可靠的参与者参与 FL。在此过程中，中心聚合器通过自动执行智能合约来识别恶意和不可靠的参与者，从而防御中毒攻击。此外，我们使用本地差分隐私技术来防止成员推理攻击。数值结果表明，所提出的框架能够有效遏制中毒攻击和成员推理攻击，从而提升 5G 网络中 FL 的安全性。
引用
@article{arxiv.2005.05752,
title = {A Secure Federated Learning Framework for 5G Networks},
author = {Yi Liu and Jialiang Peng and Jiawen Kang and Abdullah M. Iliyasu and Dusit Niyato and Ahmed A. Abd El-Latif},
journal= {arXiv preprint arXiv:2005.05752},
year = {2020}
}
备注
This paper was accepted by IEEE Wireless Communications Magazine