CATFL：基于无证书认证的面向6G语义通信的可信联邦学习
密码学与安全
2023-02-02 v1 机器学习
网络与互联网体系结构
摘要
联邦学习（FL）提供了一种新兴方法，可在私有用户数据不出设备的情况下，协同训练语义通信系统的语义编码器/解码器模型。现有关于可信联邦学习的研究大多旨在消除恶意客户端产生的数据投毒威胁，但在许多情况下，消除虚假服务器带来的模型投毒攻击同样是一个重要目标。本文提出了一种基于无证书认证的可信联邦学习（CATFL）框架，该框架对客户端与服务器的身份进行双向认证。在CATFL中，每个客户端在接收下发的全局模型前验证服务器的签名信息，以确保全局模型并非由虚假服务器下发。反之，服务器在接收下发的模型更新前也验证客户端的签名信息，以确保其由已授权客户端提交。与基于PKI的方法相比，CATFL可避免过高的证书管理开销。同时，客户端的匿名性可屏蔽数据投毒攻击，而实名注册可能面临用户特定隐私泄露风险。因此，CATFL中还提出了一种假名生成策略，以在身份可追溯性与用户匿名性之间实现权衡，这对于有条件地防止用户特定隐私泄露至关重要。理论安全性分析与评估结果验证了CATFL的优越性。
引用
@article{arxiv.2302.00271,
title = {CATFL: Certificateless Authentication-based Trustworthy Federated Learning for 6G Semantic Communications},
author = {Gaolei Li and Yuanyuan Zhao and Yi Li},
journal= {arXiv preprint arXiv:2302.00271},
year = {2023}
}
备注
Accepted by WCNC workshop 2023