面向比特彼特式联邦学习实现的隐私保护块调度
摘要
传统联邦学习依赖中心聚合服务器，这会造成性能瓶颈和隐私风险。去中心化的混合-转发设计消除服务器，但重复的本地混合在异构性下会削弱全局信息，同时暴露点对点社区作为隐私攻击面。为在更新可由轮次截止时间重构的前提下保持FedAvg式聚合语义，同时实现扩散规模，我们提出FLTorrent，一个基于比特彼特的dissemination层，用于无服务器联邦学习，配合短暂热身。热身通过预轮obfuscation、随机延迟以及tracker脱离数据路径的only coordination non-owner-first 调度，硬化轮内源端可识别性，这一dissemination层目标与内容保护（如DP或secure aggregation）正交。在轮内，FLTorrent上限于传输来源后验概率为发送方可选覆盖集中owner块的比例，并推导更紧的高概率界，随着早期non-owner质量改善。一种简单启发式GreedyFastestFirst可达约92%带宽最优max-flow上限，而热身在100-500节点间保持约12%的轮次比例。面向仅观察的本地对手，FLTorrent使归因成功接近社区级随机猜测，随网络规模改善，并在叛徒情况下保持稳健。在LLM规模dissemination压力测试中，FLTorrent仅增加约6-10%的轮次时间开销。总体而言，FLTorrent表明，在轮内可识别性与比特彼特级效率可共存，规模化时具有可预测的低开销。
引用
@article{arxiv.2605.10499,
title = {Privacy-preserving Chunk Scheduling in a BitTorrent Implementation of Federated Learning},
author = {Naicheng Li and Javad Dogani and Rui Wang and Kaitai Liang and Nikolaos Laoutaris},
journal= {arXiv preprint arXiv:2605.10499},
year = {2026}
}
备注
This paper has been accepted to the 46th IEEE International Conference on Distributed Computing Systems (ICDCS 2026). Please cite the IEEE proceedings version once it becomes available