FL-DABE-BC：一种面向物联网场景的、基于去中心化属性基加密和区块链的、具有隐私增强、去中心化认证和安全通信的联邦学习框架
密码学与安全
2024-10-29 v1
摘要
本研究提出了一种先进的联邦学习（FL）框架，旨在通过集成去中心化属性基加密（DABE）、同态加密（HE）、安全多方计算（SMPC）和区块链技术，增强物联网环境中的数据隐私和安全性。与传统 FL 不同，我们的框架使用 DABE 直接在物联网设备上实现安全、去中心化的认证和加密，允许敏感数据在本地保持加密状态。同态加密允许对加密数据进行计算，SMPC 确保协作计算中的隐私，而区块链技术则为所有交易和模型更新提供透明、不可篡改的记录。本地模型权重被加密并传输到雾层进行聚合，使用 HE 和 SMPC，然后由中央服务器使用差分隐私进行迭代细化，以防止数据泄露。这种安全、保护隐私的 FL 框架为跨分布式物联网设备的高效模型训练和实时分析提供了一个稳健的解决方案，在安全的去中心化学习方面取得了显著进展。
关键词
引用
@article{arxiv.2410.20259,
title = {FL-DABE-BC: A Privacy-Enhanced, Decentralized Authentication, and Secure Communication for Federated Learning Framework with Decentralized Attribute-Based Encryption and Blockchain for IoT Scenarios},
author = {Sathwik Narkedimilli and Amballa Venkata Sriram and Satvik Raghav},
journal= {arXiv preprint arXiv:2410.20259},
year = {2024}
}