通过移动目标防御缓解去中心化联邦学习中的通信威胁
密码学与安全
2023-12-12 v2 人工智能
分布式、并行与集群计算
机器学习
网络与互联网体系结构
摘要
去中心化联邦学习（DFL）的兴起使得机器学习模型可在联邦参与者间训练，促进了去中心化模型聚合并降低对服务器的依赖。然而，该方法引入了文献中尚未充分解决的特殊通信安全挑战。这些挑战主要源于聚合过程的去中心化特性、参与者的多样角色与职责，以及缺乏中央权威来监督并缓解威胁。为应对这些挑战，本文首先勾勒了聚焦于DFL通信的综合威胁模型。针对所识别风险，本工作引入了一个安全模块以抵御DFL平台的基于通信的攻击。该模块将对称与非对称加密等安全技术，与移动目标防御（MTD）技术（包括随机邻居选择与IP/端口切换）相结合。该安全模块实现于DFL平台Fedstellar中，支持联邦的部署与监控。我们执行了包含物理与虚拟部署的DFL场景，涵盖三种安全配置：（i）无安全基线，（ii）加密配置，以及（iii）加密与MTD技术集成的配置。该安全模块的有效性通过MNIST数据集与日蚀攻击实验得到验证。结果显示平均F1值为95%，最安全配置在虚拟部署中CPU使用率峰值达68%（±9%），网络流量达480.8 MB（±18 MB），有效缓解了窃听或日蚀攻击相关风险。
引用
@article{arxiv.2307.11730,
title = {Mitigating Communications Threats in Decentralized Federated Learning through Moving Target Defense},
author = {Enrique Tomás Martínez Beltrán and Pedro Miguel Sánchez Sánchez and Sergio López Bernal and Gérôme Bovet and Manuel Gil Pérez and Gregorio Martínez Pérez and Alberto Huertas Celdrán},
journal= {arXiv preprint arXiv:2307.11730},
year = {2023}
}