量子互联网中联邦边缘学习的隐私保护智能资源分配
网络与互联网体系结构
2023-03-22 v1 信号处理
摘要
联邦边缘学习（FEL）是一种前景广阔的分布式机器学习范式，能够在协同训练全局模型的同时保护数据隐私。然而，由于通过传统加密方案交换密钥存在被窃听的风险，FEL 仍面临模型机密性问题。因此，本文提出一种基于量子密钥分发（QKD）的量子安全 FEL 系统分层架构，其具有理想安全性，可支持公钥与模型加密以抵御窃听攻击。具体而言，我们提出一种高效的 QKD 随机资源分配模型，用于加密 FEL 密钥与模型。在 FEL 系统中，远程 FEL 工作节点通过量子安全信道连接到簇头，以协同训练聚合的全局模型。然而，由于各位置工作节点数量不可预测，支持安全模型传输至服务器的密钥速率需求亦不可预测。所提系统需高效分配有限的 QKD 资源（即波长），使得在需求随机的情况下通过将该架构的优化问题建模为随机规划模型来最小化总成本。为此，我们提出一种基于联邦强化学习的资源分配方案，在无需完整状态信息的情况下求解所提模型。该方案使 QKD 管理器与控制器能够在保持各自私有经验本地化的同时训练全局 QKD 资源分配策略。数值结果表明，所提方案在不确定的需求下可成功实现成本最小化目标，同时相比最先进方案将训练效率提升约 50%。
引用
@article{arxiv.2210.04308,
title = {Privacy-preserving Intelligent Resource Allocation for Federated Edge Learning in Quantum Internet},
author = {Minrui Xu and Dusit Niyato and Zhaohui Yang and Zehui Xiong and Jiawen Kang and Dong In Kim and Xuemin and Shen},
journal= {arXiv preprint arXiv:2210.04308},
year = {2023}
}