PA-iMFL：改进型多层联邦学习中抵御数据重构攻击的通信高效隐私放大方法
密码学与安全
2023-09-26 v1
摘要
近年来，物联网（IoT）中的大数据呈现爆发式增长。基于云-边-端架构的多层联邦学习（MFL）能够在保护物联网数据隐私的同时提升模型训练效率与模型精度。本文考虑一种改进型 MFL，其中边缘层设备拥有私有数据并可加入训练过程。iMFL 可提升边缘资源利用率并缓解对端设备的严苛要求，但面临数据重构攻击（DRA）与不可接受的通信开销问题。本文旨在解决 iMFL 的这些问题。我们提出一种 iMFL 上的隐私放大方案（PA-iMFL）。与标准 MFL 不同，我们在本地训练后的端设备与边缘设备中设计隐私操作，包含三个顺序组件：带拉普拉斯机制的本地差分隐私、隐私放大子采样与梯度符号重置。得益于隐私操作，PA-iMFL 降低了通信开销并实现了隐私保护。大量结果表明，面对最先进（SOTA）的 DRA，PA-iMFL 能有效缓解私有数据泄露，并达到与 SOTA 防御模型同等的保护能力。此外，由于在边缘设备采用隐私操作，PA-iMFL 在不损害模型精度的前提下，相比 SOTA 压缩方法提升了高达 2.8 倍的通信效率。
引用
@article{arxiv.2309.13864,
title = {PA-iMFL: Communication-Efficient Privacy Amplification Method against Data Reconstruction Attack in Improved Multi-Layer Federated Learning},
author = {Jianhua Wang and Xiaolin Chang and Jelena Mišić and Vojislav B. Mišić and Zhi Chen and Junchao Fan},
journal= {arXiv preprint arXiv:2309.13864},
year = {2023}
}
备注
12 pages, 11 figures