面向风险基适应性身份验证的隐私保护联邦学习框架
密码学与安全
2025-09-23 v3
摘要
在分散环境中，平衡稳健的安全性与强大的隐私保证对于基于风险的适应性身份验证 (RBA) 至关重要。联邦学习 (FL) 提供了一个有前景的解决方案，通过在不集中用户数据的情况下实现协作风险评估。然而，现有的 FL 方法在处理非独立同分布 (Non-IID) 用户特征时存在挑战，导致偏差、不稳定且难以泛化的全局模型。本文引入 FL-RBA2，一种面向风险基适应性身份验证的新型联邦学习框架，通过基于数学的相似性转换来解决 Non-IID 挑战。通过将异构用户特征（包括行为特征、生物特征、情境特征、交互特征和知识特征）转换为 IID 相似向量，FL-RBA2 支持无偏聚合和分布式客户端的个性化风险建模。该框架通过基于聚类的风险标记来缓解冷启动限制，采用差分隐私 (DP) 来保护敏感信息，并使用消息身份验证码 (MAC) 确保模型的完整性和真实性。联邦更新被安全地聚合到全局模型中，实现了用户隐私、可扩展性和适应性身份验证稳健性之间的强大平衡。通过随机信任模型中的严格博弈论安全证明，正式建立了隐私、正确性和适应性安全保证。广泛的在键盘、鼠标和情境数据集上的实验表明，FL-RBA2 在高风险用户检测方面有效，并且在强 DP 限制下对模型反演和推理攻击具有抗性。
引用
@article{arxiv.2508.18453,
title = {Privacy-Preserving Federated Learning Framework for Risk-Based Adaptive Authentication},
author = {Yaser Baseri and Abdelhakim Senhaji Hafid and Dimitrios Makrakis and Hamidreza Fereidouni},
journal= {arXiv preprint arXiv:2508.18453},
year = {2025}
}