PrivFL：移动网络上高维数据实用隐私保护联邦回归
密码学与安全
2020-04-07 v1
摘要
联邦学习(FL)使大量用户能够联合学习一个由中心化服务器协调的共享机器学习(ML)模型，其中数据分布在多个设备上。该方法使服务器或用户能够利用梯度下降训练和学习ML模型，同时将全部训练数据保留在用户设备上。我们考虑在用户掉线现象普遍存在的移动网络上训练ML模型。尽管联邦学习旨在降低数据隐私风险，ML模型的隐私却未受太多关注。本工作中，我们提出PrivFL，一种在联邦设置下用于训练（预测性）线性和逻辑回归模型及茫然预测的隐私保护系统，同时保证数据与模型隐私，并确保对网络中用户掉线的鲁棒性。我们基于加法同态加密(HE)方案和聚合协议设计了两种用于训练线性和逻辑回归模型的隐私保护协议。利用联邦学习的训练算法，我们训练协议的核心是对存活用户数据的安全多方全局梯度计算。我们分析了训练协议针对半诚实对手的安全性。只要聚合协议在聚合隐私博弈下安全且加法HE方案语义安全，PrivFL就能保证用户数据对服务器的隐私，以及服务器回归模型对用户的隐私。我们在真实数据集上展示了PrivFL的性能，并显示了其在联邦学习系统中的适用性。
引用
@article{arxiv.2004.02264,
title = {PrivFL: Practical Privacy-preserving Federated Regressions on High-dimensional Data over Mobile Networks},
author = {Kalikinkar Mandal and Guang Gong},
journal= {arXiv preprint arXiv:2004.02264},
year = {2020}
}
备注
In Proceedings of the 2019 ACM SIGSAC Conference on Cloud Computing Security Workshop (CCSW'19)