面向物联网的边缘辅助 U 形拆分联邦学习及隐私保护
机器学习
2023-11-10 v1 人工智能
密码学与安全
摘要
在物联网（IoT）领域，部署深度学习模型以处理 IoT 设备生成或采集的数据是一项关键挑战。然而，鉴于 IoT 设备通常缺乏计算与通信能力，直接数据传输会导致网络拥塞与执行低效。出于数据隐私与安全考量，数据中心的集中式数据处理也不再可行。为应对这些挑战，我们提出一种创新的边缘辅助 U 形拆分联邦学习（EUSFL）框架，其利用边缘服务器的高性能能力协助 IoT 设备完成模型训练与优化。在该框架中，我们利用联邦学习（FL）使数据持有方无需共享数据即可协同训练模型，从而通过仅传输模型参数加强数据隐私保护。此外，受拆分学习（SL）启发，我们将神经网络用 U 形拆分分为三部分以便在 IoT 设备本地训练。通过发挥边缘服务器更强的计算能力，我们的框架有效缩减整体训练时间，并让具备不同能力的 IoT 设备高效执行训练任务。进一步，我们提出一种称为 LabelDP 的新颖噪声机制，以确保数据特征与标签能安全抵御重构攻击，消除隐私泄漏风险。我们的理论分析与实验结果表明，EUSFL 可与多种聚合算法结合，在不同 IoT 设备计算能力下保持良好性能，并显著减少训练时间与本地计算开销。
引用
@article{arxiv.2311.04944,
title = {Edge-assisted U-Shaped Split Federated Learning with Privacy-preserving for Internet of Things},
author = {Hengliang Tang and Zihang Zhao and Detian Liu and Yang Cao and Shiqiang Zhang and Siqing You},
journal= {arXiv preprint arXiv:2311.04944},
year = {2023}
}