AFLGuard:拜占庭鲁棒异步联邦学习
密码学与安全
2022-12-14 v1 分布式、并行与集群计算
机器学习
摘要
联邦学习(FL)是一种新兴的机器学习范式,其中客户端在云服务器的帮助下联合学习一个模型。FL 的一个根本挑战是客户端常常是异构的,例如它们具有不同的计算能力,因此客户端可能以差异显著的延迟向服务器发送模型更新。异步 FL 旨在通过使服务器在任一客户端的模型更新到达时即更新模型、而无需等待其他客户端的模型更新,来解决这一挑战。然而,与同步 FL 类似,异步 FL 也易受投毒攻击,其中恶意客户端通过投毒其本地数据和/或发送给服务器的模型更新来操纵模型。拜占庭鲁棒 FL 旨在防御投毒攻击。具体而言,拜占庭鲁棒 FL 即使部分客户端恶意且具有拜占庭行为,也能学习到准确的模型。然而,现有关于拜占庭鲁棒 FL 的研究大多聚焦于同步 FL,异步 FL 在很大程度上未被探索。在这项工作中,我们提出 AFLGuard——一种拜占庭鲁棒异步 FL 方法,弥补了这一空白。我们从理论与实证上表明,AFLGuard 对各种已有及自适应的投毒攻击(包括无目标与有目标)均具鲁棒性。此外,AFLGuard 优于现有的拜占庭鲁棒异步 FL 方法。
引用
@article{arxiv.2212.06325,
title = {AFLGuard: Byzantine-robust Asynchronous Federated Learning},
author = {Minghong Fang and Jia Liu and Neil Zhenqiang Gong and Elizabeth S. Bentley},
journal= {arXiv preprint arXiv:2212.06325},
year = {2022}
}
备注
Accepted by ACSAC 2022