基于低成本零知识证明的安全可验证数据协作
密码学与安全
2023-11-28 v1 数据库
分布式、并行与集群计算
机器学习
摘要
各组织日益认识到数据协作用于数据分析的价值。然而，严格的数据保护法规禁止原始数据的直接交换。为促进数据协作，联邦学习（FL）成为一种可行方案，它使多个客户端能够在中心服务器的监督下协作训练机器学习（ML）模型，同时确保其原始数据的机密性。然而，现有研究揭示了两类主要风险：（i）服务器可能从客户端上传的更新（即模型梯度）推断敏感信息，损害客户端输入隐私；（ii）恶意客户端上传畸形更新以毒化 FL 模型，损害输入完整性。近期工作利用安全聚合与零知识证明（ZKP）来保障 FL 中的输入隐私与完整性。但它们效率极低，因此难以实际部署。本文中，我们提出了一种新颖且高效的方案 RiseFL，用于安全可验证的数据协作，同时保障输入隐私与完整性。首先，我们设计了一种概率完整性检查方法，显著降低了 ZKP 生成与验证的开销。其次，我们设计了一种混合承诺方案，以改进的性能满足拜占庭鲁棒性。第三，我们从理论上证明了所提方案的安全性保障。在合成与真实世界数据集上的大量实验表明，我们的方案有效且在客户端计算与通信方面均高效。例如，RiseFL 在客户端计算上比三种最先进的基线 ACORN、RoFL 和 EIFFeL 分别快达 28 倍、53 倍和 164 倍。
引用
@article{arxiv.2311.15310,
title = {Secure and Verifiable Data Collaboration with Low-Cost Zero-Knowledge Proofs},
author = {Yizheng Zhu and Yuncheng Wu and Zhaojing Luo and Beng Chin Ooi and Xiaokui Xiao},
journal= {arXiv preprint arXiv:2311.15310},
year = {2023}
}