一种用于更快隐私保护联邦学习的选择性同态加密方法

联邦学习(FL)已成为医疗领域隐私保护机器学习的关键方法,允许在分散的医疗数据集上进行协作模型训练而无需交换客户端数据。然而,这些系统当前的安全实现面临一个根本性的权衡:像全同态加密(FHE)这样严格的密码学保护会带来极高的计算开销,而轻量级替代方案则面临通过模型更新泄露数据的风险。为了解决这个问题,我们提出了 FAS(快速且安全的联邦学习,Fast and Secure Federated Learning),这是一种新颖的方法,策略性地结合了选择性同态加密、差分隐私和按位置乱,在不损害实际可用性的情况下实现强大的安全性。我们的方法消除了模型预训练阶段的需求,同时通过分层加密和混淆动态保护高风险模型参数。我们使用 Flower 框架实现了 FAS,并在由十一台物理机组成的集群上进行了评估。我们的方法比对模型权重应用 FHE 快达 90%。此外,我们消除了 FedML-HE 和 MaskCrypt 等竞争方法所需的计算开销。我们的方法比竞争方法快达 1.5 倍,同时取得了相当的安全结果。在医学成像数据集上的实验评估证实,FAS 在抵御梯度反演攻击方面保持了与传统 FHE 相似的安全结果,同时保持了诊断模型的准确性。这些结果使 FAS 成为对延迟敏感的医疗保健应用的实用解决方案,在这些应用中,隐私保护和计算效率都是必需的。