联邦学习测试平台的实验研究
密码学与安全
2021-03-22 v1 网络与互联网体系结构
摘要
尽管物联网（IoT）可通过将模型训练外包至云端而从机器学习获益，但用户数据暴露于不可信云服务提供商会对用户隐私构成威胁。近来，联邦学习被提出作为面向IoT的隐私保护机器学习（PPML）方法，其实用性仍不明晰。本文基于PySyft（一个分布式深度学习Python库）对现成联邦学习框架的效率与隐私性能进行评估。观察到由于通信开销，该框架训练速度显著慢于集中式方法。同时，该框架在网络层面存在对潜在中间人攻击的若干脆弱性。本报告作为PPML性能分析的起点，并为PPML框架开发指明未来方向。
引用
@article{arxiv.2103.10579,
title = {An Experiment Study on Federated LearningTestbed},
author = {Cheng Shen and Wanli Xue},
journal= {arXiv preprint arXiv:2103.10579},
year = {2021}
}
备注
Accepted by SMARTCOM2021