面向工业物联网的轻量级抗 Byzantine 隐私保护联邦学习方案 DP2Guard
密码学与安全
2026-05-08 v2 分布式、并行与集群计算
摘要
隐私保护联邦学习（PPFL）已成为一种安全的分布式机器学习（ML）范式，通过聚合本地训练的梯度而不暴露原始数据来实现隐私保护。为抵御模型投毒威胁，已提出若干通过集成异常检测实现鲁棒性增强的 PPFL方案。然而，这些方案仍面临两个主要挑战：(1)依赖重型加密技术导致显著的通信与计算开销；(2)单一防御策略往往难以对抗自适应对手。为克服这些挑战，本文提出了 DP2Guard，一个提升隐私与鲁棒性的轻量级 PPFL 框架。DP2Guard 利用轻量级梯度遮蔽机制取代高成本的密码学操作，确保本地梯度的隐私。提出了混合防御策略，利用奇异值分解和余弦相似度提取梯度特征，并应用聚类算法有效识别恶意梯度。此外，DP2Guard 采用基于信任评分的自适应聚合方案，根据历史行为调整客户端权重；同时，区块链记录聚合结果与信任评分，以确保训练过程的防篡改与可审计。大量实验表明，DP2Guard 在抵御四种高级投毒攻击方面效果显著，同时以降低的通信与计算成本实现隐私保护。
引用
@article{arxiv.2507.16134,
title = {DP2Guard: A Lightweight and Byzantine-Robust Privacy-Preserving Federated Learning Scheme for Industrial IoT},
author = {Baofu Han and Bing Li and Yining Qi and Zhiquan Liu and Raja Jurdak and Kaibin Huang and Chau Yuen},
journal= {arXiv preprint arXiv:2507.16134},
year = {2026}
}