联邦学习中面向内积的灵活阈值多客户端功能加密
密码学与安全
2025-10-20 v1
摘要
联邦学习(FL)是一种分布式机器学习范式，允许多个客户端在不泄露本地数据的情况下协作训练共享模型。为了解决梯度的隐私问题，已经提出了几种基于多客户端功能加密(MCFE)的隐私保护机器学习方案。然而，现有的基于MCFE的方案不支持客户端退出或灵活阈值选择，而这对于实际FL至关重要。在本文中，我们设计了一种面向内积的灵活阈值多客户端功能加密(FTMCFE-IP)方案，其中多个客户端独立生成密文，无需任何交互。在加密阶段，客户端能够灵活选择阈值，而无需重新初始化系统。当在线客户端数量满足阈值时，解密可以正确执行。授权用户能够分别计算与其功能密钥和密文相关联向量的内积，但无法学习任何其他信息。特别地，所提出的方案支持客户端退出。此外，我们提供了FTMCFE-IP方案的定义和安全模型，并提出了一个具体构造。所设计方案的安全性得到了正式证明。最后，我们实现并评估了FTMCFE-IP方案。
引用
@article{arxiv.2510.15367,
title = {Flexible Threshold Multi-client Functional Encryption for Inner Product in Federated Learning},
author = {Ruyuan Zhang and Jinguang Han and Liqun Chen},
journal= {arXiv preprint arXiv:2510.15367},
year = {2025}
}