FedComm:将联邦学习作为隐蔽通信的媒介
密码学与安全
2023-05-18 v3 机器学习
摘要
作为缓解采用深度学习所带来的隐私影响的方案,联邦学习(FL)使大量参与者能够成功训练深度神经网络,而无需泄露实际的私有训练数据。迄今为止,大量研究调查了 FL 的安全与隐私属性,产生了众多创新的攻击与防御策略。本文深入研究了 FL 方案的通信能力。特别地,我们展示了参与 FL 学习过程的一方可以利用 FL 作为隐蔽通信媒介来发送任意消息。我们提出 FedComm,一种新颖的多系统隐蔽通信技术,能够在 FL 框架内实现目标载荷的稳健共享与传输。我们广泛的理论与实证评估表明,FedComm 提供了一种隐蔽的通信信道,对训练过程的干扰极小。我们的实验表明,FedComm 在 FL 过程收敛前成功投递了千比特量级载荷的 100%。我们的评估还表明,FedComm 与底层 FL 方案所用的应用领域和神经网络架构无关。
引用
@article{arxiv.2201.08786,
title = {FedComm: Federated Learning as a Medium for Covert Communication},
author = {Dorjan Hitaj and Giulio Pagnotta and Briland Hitaj and Fernando Perez-Cruz and Luigi V. Mancini},
journal= {arXiv preprint arXiv:2201.08786},
year = {2023}
}
备注
13 pages