联邦学习中客户端部署的信任驱动按需方案

Yong-Ping Fu; Fei-Jie Huang; Qi-Hui Chen

联邦学习中客户端部署的信任驱动按需方案

核理论 2024-06-25 v2 高能物理 - 唯象学

作者: Yong-Ping Fu , Fei-Jie Huang , Qi-Hui Chen

摘要

容器化技术在联邦学习(FL)设置中扮演着关键角色,它扩大了潜在客户端的池子,并确保每次学习迭代中特定子集的可用性。然而,在FL场景中,尤其是涉及容器部署过程时,人们对部署为客户端设备的可信度产生了疑虑。应对这些挑战至关重要,尤其是在管理可能扰乱学习过程或危及整个模型的潜在恶意客户端方面。在我们的研究中,我们致力于将信任元素整合到系统架构中的客户端选择与模型部署过程中。这是按需架构初始客户端选择与部署机制所缺乏的特性。我们引入了一种名为“Trusted-On-Demand-FL”的信任机制,该机制在服务器与合格客户端池之间建立了信任关系。利用Docker在我们的部署策略中,能够有效监控和验证参与者行为,确保严格遵守约定协议,同时加强对未经授权数据访问或篡改的防御。我们的模拟依赖于连续的用户行为数据集,部署由遗传算法驱动的优化模型,以高效选择参与客户端。通过为单个客户端分配信任值并动态调整这些值,结合通过降低信任分数来惩罚恶意客户端,我们的框架能够识别并隔离有害客户端。这种方法不仅减少了对常规轮次的干扰,还最大限度地减少了轮次取消的情况,从而增强了系统的稳定性和安全性。

关键词

federated learning client deployment trust mechanism containerization Docker genetic algorithm security

引用

@article{arxiv.2405.00396,
  title  = {Particle production from gluon-nucleon interactions in relativistic heavy ion collisions},
  author = {Yong-Ping Fu and Fei-Jie Huang and Qi-Hui Chen},
  journal= {arXiv preprint arXiv:2405.00396},
  year   = {2024}
}

备注

6 pages,7 figures

联邦学习中客户端部署的信任驱动按需方案

摘要

关键词

引用

备注

相关论文