基于去中心化密钥生成与在轨模型聚合的 LEO 星座安全高效联邦学习
密码学与安全
2023-09-06 v1 机器学习
摘要
近年来卫星技术迅猛发展，引发将小型卫星发射至近地轨道 (LEO) 以收集海量数据（如卫星影像）的热潮。将这些数据下载至地面站 (GS) 进行集中式学习以构建 AI 模型，由于带宽有限且昂贵而不切实际。联邦学习 (FL) 提供了一种潜在解决方案，但由于 LEO 卫星与 GS 之间高度间歇且不规则的连接，将导致极大的收敛延迟。此外，存在显著的安全与隐私风险：窃听者或好奇的服务器/卫星可能从不安全通信信道传输的卫星模型参数中推断原始数据。为解决这些问题，本文提出 FedSecure，一种为 LEO 星座设计的安全联邦学习方法，其包含两个新颖组件：(1) 使用函数加密方案保护卫星数据隐私的去中心化密钥生成；(2) 每轨道生成部分全局模型的在轨模型转发与聚合，以最小化不可见卫星进入 GS 可见区的空闲等待时间。我们的分析与结果表明，FedSecure 可抵御窃听者、好奇服务器或好奇卫星，保护各卫星数据的隐私。它轻量且通信与计算开销显著低于其他隐私保护联邦学习聚合方法。它还将收敛延迟从数天大幅降低至仅数小时，同时使用真实卫星影像达到高达 85.35% 的高精度。
引用
@article{arxiv.2309.01828,
title = {Secure and Efficient Federated Learning in LEO Constellations using Decentralized Key Generation and On-Orbit Model Aggregation},
author = {Mohamed Elmahallawy and Tie Luo and Mohamed I. Ibrahem},
journal= {arXiv preprint arXiv:2309.01828},
year = {2023}
}