基于多密钥同态加密的隐私保护联邦学习
密码学与安全
2024-05-07 v1
摘要
随着机器学习与物联网（IoT）的发展，安全与隐私已成为移动服务与网络中的关键关切。将数据传输至中心单元既侵犯隐私与敏感数据保护，又增加带宽需求。联邦学习通过仅共享模型更新来缓解本地数据传输的需求，但数据泄露仍是一大问题。本文提出 xMK-CKKS，一种多密钥同态加密协议，用以设计一种新颖的隐私保护联邦学习方案。在该方案中，模型更新在共享至服务器进行聚合前通过聚合公钥加密。解密则需要所有参与设备的协作。该方案可防止联邦学习中公开共享信息导致的隐私泄露，并对 个参与设备与服务器之间的合谋具有鲁棒性。我们的实验评估表明，该方案在模型精度上与传统联邦学习及采用同态加密的安全联邦学习（MK-CKKS、Paillier）相当，且相比基于 Paillier 的联邦学习降低了计算开销。平均能耗为 2.4 瓦，因此适用于 IoT 场景。
引用
@article{arxiv.2104.06824,
title = {Privacy-preserving Federated Learning based on Multi-key Homomorphic Encryption},
author = {Jing Ma and Si-Ahmed Naas and Stephan Sigg and Xixiang Lyu},
journal= {arXiv preprint arXiv:2104.06824},
year = {2024}
}