基于可验证阈值多客户端功能加密的隐私保护联邦学习
密码学与安全
2025-11-18 v1 人工智能
摘要
在联邦学习中，多个参与方可合作训练模型，而无需直接交换各自的私有数据，但梯度泄露问题仍威胁隐私安全和模型完整性。虽然现有方案使用阈值密码学来缓解推理攻击，但无法保证聚合结果的可验证性，使系统容易受到投毒攻击的威胁。我们构建一种可验证阈值多客户端功能加密方案，并将其应用于联邦学习，以实现可验证阈值安全聚合协议(VTSAFL)。VTSAFL使客户端能够验证聚合结果，同时最小化计算和通信开销。该方案的功能密钥和部分解密结果大小为常数，为大规模部署提供了效率保证。在MNIST数据集上的实验结果表明，VTSAFL能够达到与现有方案相同的准确率，同时将总体训练时间缩短超过40%，将通信开销降低最高可达50%。这一效率对于克服Internet of Things(IoT)设备固有的资源限制至关重要。
引用
@article{arxiv.2511.12936,
title = {Privacy-Preserving Federated Learning from Partial Decryption Verifiable Threshold Multi-Client Functional Encryption},
author = {Minjie Wang and Jinguang Han and Weizhi Meng},
journal= {arXiv preprint arXiv:2511.12936},
year = {2025}
}