EncCluster：通过权重聚类和概率滤波器实现面向联邦学习的可扩展功能加密
密码学与安全
2024-06-14 v1 分布式、并行与集群计算
机器学习
摘要
联邦学习（FL）通过仅传输局部模型更新到聚合服务器来实现跨去中心化设备的模型训练。尽管这种受限数据共享使得 FL 比中心化方法更安全，但 FL 在模型更新传输期间仍面临推理攻击。现有的安全聚合方法依赖差分隐私或功能加密（FE）等密码学方案来保护单个客户端数据。然而，这些策略可能降低性能或在资源有限的边缘设备上引入不可接受的计算和通信开销。在本工作中，我们提出了 EncCluster，一种新方法，将模型压缩通过权重聚类与最新的去中心化 FE 和基于概率滤波器的隐私增强数据编码相结合，在不影响模型性能或增加不必要的客户端负担的情况下为 FL 提供强大的隐私保障。我们进行了全面的评估，涵盖 various 数据集和架构，以展示 EncCluster 在不同加密水平下的可扩展性。我们的发现表明，EncCluster 显著降低了通信成本——甚至低于常规 FedAvg——并加快了加密速度，在所有基准方法上都快于四倍；同时，它保持了高模型准确率和增强的隐私保证。
引用
@article{arxiv.2406.09152,
title = {EncCluster: Scalable Functional Encryption in Federated Learning through Weight Clustering and Probabilistic Filters},
author = {Vasileios Tsouvalas and Samaneh Mohammadi and Ali Balador and Tanir Ozcelebi and Francesco Flammini and Nirvana Meratnia},
journal= {arXiv preprint arXiv:2406.09152},
year = {2024}
}
备注
21 pages, 4 figures