用于保护联邦学习管理系统的智能策略控制
密码学与安全
2023-05-19 v2 机器学习
摘要
物联网（IoT）设备在智能城市、智能医疗系统及各类现实应用中的广泛采用，已导致海量数据的产生，这些数据常使用不同机器学习（ML）模型进行分析。联邦学习（FL）已被公认为一种隐私保护的机器学习技术，多个参与方在不交换原始数据的情况下协作训练 ML 模型。然而，由于各 FL 参与者实施了不同的数据保护策略，当前 FL 架构不允许对训练过程进行审计。此外，当前架构中不存在全局模型可验证性。本文提出一种基于智能合约的策略控制，用于保护联邦学习（FL）管理系统。首先，我们在 FL 参与者侧开发并部署了基于智能合约的本地训练策略控制。该策略控制用于验证训练过程，确保所有 FL 参与者遵循相同的评估规则。随后我们实施基于智能合约的聚合策略以管理全局模型聚合过程。完成后，聚合模型与策略存储于基于区块链的存储中。接着，我们将聚合的全局模型与智能合约分发给所有 FL 参与者。我们提出的方法使用智能策略控制来管理访问并验证机器学习模型的完整性。我们使用多种机器学习架构与数据集（如 MNIST 和 CIFAR-10）进行了多次实验以评估所提框架。
引用
@article{arxiv.2305.09134,
title = {Smart Policy Control for Securing Federated Learning Management System},
author = {Aditya Pribadi Kalapaaking and Ibrahim Khalil and Mohammed Atiquzzaman},
journal= {arXiv preprint arXiv:2305.09134},
year = {2023}
}