ByzSFL：基于零知识证明实现抗拜占庭鲁棒的安全联邦学习
密码学与安全
2025-01-14 v1
摘要
人工智能模型，特别是基于深度学习的模型，在数据敏感行业如医疗和金融领域面临显著挑战 due to 数据的分布性和私有性。联邦学习（FL）和安全联邦学习（SFL）通过不共享数据来实现协作模型训练，通过加密共享的中间结果来增强隐私。然而，SFL目前缺乏有效的抗拜占庭鲁棒性，这一特性确保即使存在恶意参与者，模型性能仍保持稳定。现有抗拜占庭方法在FL中与SFL不兼容 due to 加密操作在处理复杂聚合计算方面的低效和局限。这一差距在安全和稳健的模型训练中至关重要。为此，我们提出ByzSFL，一种新的SFL系统，通过高效实现抗拜占庭鲁棒安全聚合。我们的方法将聚合权重计算卸载到各个参与方，并引入一种实用的零知识证明（ZKP）协议工具套件。该工具套件支持广泛使用的运算符，用于计算聚合权重，确保正确的计算而不损害数据隐私。该方法不仅保持聚合的完整性，还显著提升了计算效率，使ByzSFL比现有解决方案快约100倍。此外，我们的方法符合开源AI趋势，使最终模型可以明文形式发布而无需额外信息泄露，从而增强了SFL在实际应用中的实用性和稳健性。
引用
@article{arxiv.2501.06953,
title = {ByzSFL: Achieving Byzantine-Robust Secure Federated Learning with Zero-Knowledge Proofs},
author = {Yongming Fan and Rui Zhu and Zihao Wang and Chenghong Wang and Haixu Tang and Ye Dong and Hyunghoon Cho and Lucila Ohno-Machado},
journal= {arXiv preprint arXiv:2501.06953},
year = {2025}
}