PASS：一种基于参数审计、抵御搭便车攻击的安全公平联邦学习方案
密码学与安全
2023-12-29 v2
摘要
联邦学习（FL）作为一种安全的分布式学习框架，因能保护参与者数据隐私而在物联网（IoT）中受到关注。然而，传统FL系统易受搭便车（FR）攻击，导致FL系统不公平、隐私泄露及性能下降。已有的FR攻击防御机制假设恶意客户端（即对手）占比少于总客户端数的50%。此外，它们针对匿名FR（AFR）攻击，在抵御自私FR（SFR）攻击时失效。本文提出一种基于参数审计的安全公平联邦学习方案（PASS）以抵御FR攻击。PASS具有以下关键特征：(a) 以较小的精度损失防止隐私泄露；(b) 有效应对AFR和SFR两类攻击；(c) 无论AFR和SFR对手是否占客户端多数均能良好工作。大量实验结果验证：PASS (a) 在隐私泄露的均方误差上达到与SOTA方法同等水平；(b) 以更高的防御成功率、更低的误报率和更高的F1-score抵御AFR和SFR攻击；(c) 在对手超过50%时仍有效，对AFR攻击F1-score为89%，对SFR攻击F1-score为87%。需注意，在无FR对手时PASS对FL精度无负面影响。
引用
@article{arxiv.2207.07292,
title = {PASS: A Parameter Audit-based Secure and Fair Federated Learning Scheme against Free-Rider Attack},
author = {Jianhua Wang and Xiaolin Chang and Jelena Mišić and Vojislav B. Mišić and Yixiang Wang},
journal= {arXiv preprint arXiv:2207.07292},
year = {2023}
}
备注
11 pages, 13 figures, 5 tables. Accepted by IoTJ. For associated file, see early access https://ieeexplore.ieee.org/document/10160204