ESAFL：面向跨孤岛联邦学习的高效安全加法同态加密
密码学与安全
2023-05-16 v1
摘要
跨孤岛联邦学习(FL)使多个客户端能够在不共享训练数据的情况下协作训练机器学习模型，但 FL 中的隐私仍是一项重大挑战。使用同态加密(HE)的技术被设计用于解决此问题，但也带来了自身的挑战。许多使用单密钥 HE(SKHE)的技术要求客户端完全互信以防止客户端间隐私泄露。然而，在实践中难以确保完全互信的客户端。其他使用多密钥 HE(MKHE)的技术旨在保护隐私免受不信任客户端侵害，但会导致训练结果在公共信道中被不信任第三方(如公共云服务器)泄露。此外，与 SKHE 相比，MKHE 具有更高的计算与通信复杂度。我们提出一种新的 FL 协议 ESAFL，其利用基于环上带误差学习困难问题的新颖高效安全加法 HE(ESHE)。ESAFL 可确保不信任客户端间训练数据的安全，并保护训练结果免受不信任第三方侵害。此外，理论分析表明 ESAFL 在计算与通信方面优于当前使用 MKHE 的技术，而大量实验显示，与最先进的基于 SKHE 的 FL 模型相比，ESAFL 实现了约 204 至 953 倍和 11 至 14 倍的训练加速，同时将通信负担降低了 77 至 109 倍和 1.25 至 2 倍。
引用
@article{arxiv.2305.08599,
title = {ESAFL: Efficient Secure Additively Homomorphic Encryption for Cross-Silo Federated Learning},
author = {Jiahui Wu and Weizhe Zhang and Fucai Luo},
journal= {arXiv preprint arXiv:2305.08599},
year = {2023}
}