Lotto：联邦学习中抵御对抗服务器的安全参与者选择

在联邦学习（FL）中，常见的隐私增强技术（如安全聚合与分布式差分隐私）依赖于参与者中诚实多数的关键假设，以抵御各种攻击。然而在实践中，服务器并非总是可信的，对抗性服务器可以策略性地选择被攻陷的客户端以制造不诚实多数，从而破坏系统的安全保证。在本文中，我们提出了 Lotto，这是一个 FL 系统，通过提供抵御对抗服务器的安全参与者选择来解决这一根本但尚未充分探索的问题。Lotto 支持两种选择算法：随机选择与知情选择。为了在没有可信服务器的情况下确保随机选择，Lotto 使每个客户端能够利用可验证随机数自主决定其参与。对于更容易被操纵的知情选择，Lotto 通过在精选的客户端池内采用随机选择来逼近该算法。我们的理论分析表明，Lotto 有效地使服务器选择的被攻陷参与者比例与群体中不诚实客户端的基准率相一致。大规模实验进一步表明，Lotto 实现了与不安全选择方法相当的达到目标精度所需时间（time-to-accuracy）性能，表明安全选择的计算开销较低。