PPFL：基于可信执行环境的隐私保护联邦学习
密码学与安全
2021-06-30 v2 分布式、并行与集群计算
机器学习
摘要
我们提出并实现了一种面向移动系统的隐私保护联邦学习（PPFL）框架，以限制联邦学习中的隐私泄露。利用高端和移动设备中广泛存在的可信执行环境（TEEs），我们在客户端使用 TEE 进行本地训练，在服务器端使用 TEE 进行安全聚合，从而使模型/梯度更新对敌手隐藏。受当前 TEE 内存容量有限的挑战，我们采用贪心逐层训练，在可信区域内训练模型的每一层直至其收敛。我们的实现性能评估表明，PPFL 可显著改善隐私，同时在客户端引入较小的系统开销。具体而言，PPFL 能成功防御针对训练模型的数据重构、属性推断和成员推断攻击。此外，与完整模型的标准联邦学习相比，它可用更少的通信轮次（0.54×）和相近的网络流量（1.002×）达到可比的模型效用。这仅在 PPFL 客户端引入了最高约 15% 的 CPU 时间、约 18% 的内存使用和约 21% 的能耗开销。
引用
@article{arxiv.2104.14380,
title = {PPFL: Privacy-preserving Federated Learning with Trusted Execution Environments},
author = {Fan Mo and Hamed Haddadi and Kleomenis Katevas and Eduard Marin and Diego Perino and Nicolas Kourtellis},
journal= {arXiv preprint arXiv:2104.14380},
year = {2021}
}
备注
15 pages, 8 figures, accepted to MobiSys 2021