联邦学习中的异常客户端检测
机器学习
2024-11-05 v1 密码学与安全
分布式、并行与集群计算
摘要
联邦学习（FL）随着物联网和边缘计算的发展，被视为一种有前景的延迟和隐私感知应用解决方案。然而，由于数据广泛分布在众多客户端上，监控由设备故障或意外事件引起的客户端异常具有挑战性。当前大多数FL解决方案集中于分类问题，忽略了异常检测可能也需要隐私保护和有效性的情况。联邦学习系统无法完全管理其客户端可能存在的缺陷行为。这些行为包括共享任意参数值以及由于客户端被随机选择而不知道其故障行为而导致的收敛延迟。客户端选择对于联邦学习框架的效率至关重要。客户端漂移和处理计算能力低的慢客户端等挑战在FL中已被广泛研究。然而，联邦学习框架中针对安全性或整体性能的异常客户端检测在文献中很少被研究。在本文中，我们提出了一种异常客户端检测算法，以克服联邦学习框架中的恶意客户端攻击和客户端漂移。我们的方法不是随机选择客户端，而是利用异常客户端检测将客户端从联邦学习框架中移除，从而增强整个系统的安全性和效率。与广泛使用的随机客户端选择相比，该方法在MNIST数据集上将全局模型收敛所需的通信轮次减少了近50%。
引用
@article{arxiv.2411.01490,
title = {Anomalous Client Detection in Federated Learning},
author = {Dipanwita Thakur and Antonella Guzzo and Giancarlo Fortino},
journal= {arXiv preprint arXiv:2411.01490},
year = {2024}
}