PPT：一种面向 P2P 网络联邦学习的隐私保护全局模型训练协议
密码学与安全
2021-08-10 v2
摘要
联邦学习(FL)的概念已成为机器学习、信息与通信技术的融合。它对机器学习的发展至关重要，期望其具备完全去中心化、隐私保护、安全且鲁棒的特性。然而，带有中心服务器的通用联邦学习设置无法满足去中心化环境的需求。在本文中，我们提出了一种去中心化、安全且隐私保护的全局模型训练协议，名为 PPT，用于点对点(P2P)网络中的联邦学习。PPT 使用一跳通信形式聚合本地模型更新参数，并采用对称密码体制来确保安全性。值得一提的是，PPT 改进了 Eschenauer-Gligor (E-G) 方案以分发加密密钥。在隐私保护方面，PPT 生成随机噪声来扰动本地模型更新参数。该噪声最终被消除，从而确保了全局模型性能，优于 FL 中其他基于噪声的隐私保护方法，例如差分隐私。PPT 还采用博弈论来抵御合谋攻击。通过大量分析，我们证明了 PPT 能够应对各种安全威胁并保护用户隐私。精巧的实验也证明了其实用性与效率。
引用
@article{arxiv.2105.14408,
title = {PPT: A Privacy-Preserving Global Model Training Protocol for Federated Learning in P2P Networks},
author = {Qian Chen and Zilong Wang and Wenjing Zhang and Xiaodong Lin},
journal= {arXiv preprint arXiv:2105.14408},
year = {2021}
}