联邦信号地图中的位置泄露
机器学习
2024-01-09 v3 密码学与安全
摘要
我们考虑从若干移动设备采集的测量数据预测蜂窝网络性能（信号地图）的问题。我们在在线联邦学习框架下表述该问题：(i) 联邦学习(FL)使用户能够协作训练模型，同时将其训练数据保留在本地设备上；(ii) 测量数据随用户随时间移动而被采集，并以在线方式用于本地训练。我们考虑一个诚实但好奇的服务器，其观察参与 FL 的目标用户的更新，并利用深度梯度泄露(DLG)类攻击推断其位置，该类攻击最初是为重建 DNN 图像分类器的训练数据而开发的。我们作出关键观察：应用于我们场景的 DLG 攻击推断的是一批本地数据的平均位置，因此可用于以较粗粒度重建目标用户的轨迹。基于该观察，我们通过重新审视并设计联邦学习框架内的机制来保护我们的设置中的位置隐私，包括：调整用于平均的 FL 参数、策划本地批次以误导 DLG 攻击者，以及跨具有不同轨迹的多个用户进行聚合。我们通过基于真实世界移动数据集的分析与仿真评估了我们的算法性能，并表明它们实现了良好的隐私-效用权衡。
引用
@article{arxiv.2112.03452,
title = {Location Leakage in Federated Signal Maps},
author = {Evita Bakopoulou and Mengwei Yang and Jiang Zhang and Konstantinos Psounis and Athina Markopoulou},
journal= {arXiv preprint arXiv:2112.03452},
year = {2024}
}