SecFL：使用 TEE 的机密联邦学习
密码学与安全
2021-10-08 v2 机器学习
摘要
联邦学习（FL）是一种新兴的机器学习范式，它使多个客户端能够联合训练一个模型，以从客户端的多样化数据集中获益，而无需共享其本地训练数据集。FL 有助于降低数据隐私风险。不幸的是，FL 在隐私和安全方面仍存在若干问题。首先，有可能从共享的训练参数中泄露敏感信息。其次，恶意客户端可能相互勾结以窃取常规客户端的数据、模型或破坏全局训练模型。为应对这些挑战，我们提出了 SecFL——一个利用可信执行环境（TEEs）的机密联邦学习框架。SecFL 在 TEE 飞地内执行全局和本地训练，以确保计算在面对具有特权访问权限的强大对手时的机密性和完整性。SecFL 提供一种透明的远程证明机制，依赖于 TEE 提供的远程证明，以允许客户端证明全局训练计算以及彼此的本地训练计算。因此，所有恶意客户端都可使用远程证明机制被检测出来。
引用
@article{arxiv.2110.00981,
title = {SecFL: Confidential Federated Learning using TEEs},
author = {Do Le Quoc and Christof Fetzer},
journal= {arXiv preprint arXiv:2110.00981},
year = {2021}
}