保护联邦学习：一种基于隐蔽通信的方法
密码学与安全
2021-10-07 v1
摘要
联邦学习网络（FLNs）已被视为一种有前景的范式，可在不暴露移动设备本地隐私数据的情况下协同训练模型。由于需要频繁的模型更新与通信，FLNs易受各类攻击（如窃听攻击、推理攻击、投毒攻击与后门攻击）。在隐私保护与安全高效的分布式模型训练之间取得平衡是FLNs的关键挑战。现有对策计算成本高，且仅为针对FLNs的特定攻击而设计。本文通过提出基于隐蔽通信的联邦学习（CCFL）方法弥补这一缺口。基于隐藏无线通信活动存在性的新兴通信安全技术——隐蔽通信，CCFL能够削弱攻击者从FLN训练协议中提取有用信息的能力（这是大多数现有攻击的基础步骤），从而从整体上增强FLNs的隐私性。我们在真实设定下对CCFL进行了广泛实验评估，其中FL时延在给定安全需求下被优化。数值结果证明了所提方法在训练效率与通信安全性方面的显著有效性。
引用
@article{arxiv.2110.02221,
title = {Securing Federated Learning: A Covert Communication-based Approach},
author = {Yuan-Ai Xie and Jiawen Kang and Dusit Niyato and Nguyen Thi Thanh Van and Nguyen Cong Luong and Zhixin Liu and Han Yu},
journal= {arXiv preprint arXiv:2110.02221},
year = {2021}
}