OFL：面向资源异构且注隐私的设备的机遇性联邦学习
密码学与安全
2025-03-20 v1
摘要
高效安全的联邦学习（FL）是资源受限设备（尤其是移动设备）的关键挑战。现有的安全FL解决方案通常会产生显著的开销，在效率和安全性之间导致矛盾。因此，这两类问题通常会分别加以解决。本文提出机遇性联邦学习（OFL），这是一种专为资源异构且注隐私的FL设备设计的新型FL框架，联合解决效率和安全问题。OFL通过采用新颖的分层和异步聚合策略来优化资源利用和跨不同设备的适应性。OFL通过引入面向集群内部模型聚合的差分隐私和机遇性模型更新机制，以及面向集群间聚合的先进阈值同态加密方案来实现强大的安全性。此外，OFL通过在保持模型加密的同时使用频率分析实现抗投毒攻击检测来保障全局模型聚合的安全性。我们在真实测试环境中实现了OFL，并全面评估了OFL。评估结果表明，OFL在实现满意模型性能的同时，提高了效率和安全性，优于现有解决方案。
引用
@article{arxiv.2503.15015,
title = {OFL: Opportunistic Federated Learning for Resource-Heterogeneous and Privacy-Aware Devices},
author = {Yunlong Mao and Mingyang Niu and Ziqin Dang and Chengxi Li and Hanning Xia and Yuejuan Zhu and Haoyu Bian and Yuan Zhang and Jingyu Hua and Sheng Zhong},
journal= {arXiv preprint arXiv:2503.15015},
year = {2025}
}
备注
14 pages, 13 figures