DSFL：基于群组安全聚合的双服务器抗拜占乱联邦学习框架
密码学与安全
2025-09-11 v1 人工智能
分布式、并行与集群计算
摘要
联邦学习（Federated Learning, FL）通过不共享原始数据实现去中心化模型训练，提供强大的隐私保障。然而，现有的联邦学习协议在抗御拜占庺参与者、维持非独立同分布（non-IID）数据下的模型实用性以及保持边缘设备的轻量级方面存在挑战。先前的工作要么假设存在受信任硬件，要么使用昂贵的密码学工具，要么未能同时解决隐私和鲁棒性问题。我们提出DSFL（Dual-Server Byzantine-Resilient Federated Learning），一种双服务器抗拜占庺联邦学习框架，通过群组基于的安全聚合方法来解决上述局限性。与假设半诚实且非共谋服务器的LSFL不同，DSFL消除了这一假设，揭示了一个关键漏洞：通过客户端-服务器联合导致的隐私泄露。DSFL引入了三项关键创新：（1）一种无需加密或密钥交换即可保护更新的双服务器安全聚合协议；（2）基于偏差得分的群组级信用基础过滤机制，用于隔离具有 Byzantine 特征的客户端；（3）动态的奖惩制度以确保公平参与。我们在MNIST、CIFAR-10和CIFAR-100数据集上对DSFL进行评估，测试场景包括IID和非IID设置下最高达到30%的拜占庺参与者。实验结果表明，DSFL持续优于现有基线方法，包括LSFL、同态加密方法和差分隐私方法。例如，在类似威胁下，DSFL在CIFAR-10上实现97.15%的准确率，在CIFAR-100上达到68.60%，而FedAvg的准确率下降至9.39%。DSFL保持轻量级，仅需55.9毫秒运行时间和1088 KB通信量。
引用
@article{arxiv.2509.08449,
title = {DSFL: A Dual-Server Byzantine-Resilient Federated Learning Framework via Group-Based Secure Aggregation},
author = {Charuka Herath and Yogachandran Rahulamathavan and Varuna De Silva and Sangarapillai Lambotharan},
journal= {arXiv preprint arXiv:2509.08449},
year = {2025}
}