面向恶意环境下的私有联邦学习安全：基于可扩展 TEE 的客户端审计方法
机器学习
2025-09-12 v2 密码学与安全
摘要
在跨设备私有联邦学习中，差分隐私跟随正则化领导者（DP-FTRL）已成为一种有前景的隐私保护方法。然而，现有方法假设服务端为半诚实，且未解决如何安全地移除这一假设的挑战。这源于其有状态性，在实际场景中尤其 problematic，因为客户端可能掉线或被篡改。虽然受信任执行环境（TEE）看似是明智的解决方案，但直接实现会引入分支攻击或因状态管理导致的可用性问题。为此，本文引入一种新型服务端扩展，作为受信计算基座（TCB）实现恶意安全的 DP-FTRL。TCB 采用基于服务器端的短暂 TEE 模块，以产生可验证的服务端操作证明。部分客户端在被选中后，可以较小的额外通信和计算开销参与审计这些证明。该扩展方案在保持系统可扩展性和存活性的同时，缩小了 TCB 的规模。我们基于交互式差分隐私提供形式化证明，展示了在恶意环境下的隐私保证。最后，我们在几种真实场景下实验表明，本框架对客户端仅增加常数级开销。
引用
@article{arxiv.2509.08709,
title = {Securing Private Federated Learning in a Malicious Setting: A Scalable TEE-Based Approach with Client Auditing},
author = {Shun Takagi and Satoshi Hasegawa},
journal= {arXiv preprint arXiv:2509.08709},
year = {2025}
}
备注
Accepted at PoPETs 2026