基于单值编码与洗牌技术的联邦学习源推理攻击防御
密码学与安全
2024-11-12 v1
摘要
联邦学习（Federated Learning）允许客户端在不披露本地数据的情况下训练联合模型。它们将本地模型更新与中心服务器共享，以协调过程并创建联合模型。然而，联邦学习面临一系列隐私攻击。最近提出的源推理攻击（Source Inference Attack, SIA）试图识别特定数据记录的所有者。本文提出一种通过引入可信洗牌器来防御SIA的方法，同时不损害联合模型的准确性。我们采用单值编码与洗牌的组合，有效混合所有客户端的模型更新，防止中心服务器单独推断每个客户端的模型更新信息。为解决单值编码带来的通信成本增加问题，我们采用量化技术。我们的初步实验结果显示，所提出的机制显著降低了SIA的准确性，而不会影响联合模型的准确性。
引用
@article{arxiv.2411.06458,
title = {Protection against Source Inference Attacks in Federated Learning using Unary Encoding and Shuffling},
author = {Andreas Athanasiou and Kangsoo Jung and Catuscia Palamidessi},
journal= {arXiv preprint arXiv:2411.06458},
year = {2024}
}
备注
CCS 2024 - The ACM Conference on Computer and Communications Security, ACM, Oct 2024, Salt Lake City, United States