基于安全多方计算的联邦学习用于6G赋能的医疗物联网
密码学与安全
2023-04-27 v1
摘要
快速发展的智能医疗系统以第六代(6G)连接、泛在物联网(IoT)和深度学习(DL)技术为基础。这预示着一个未来:6G为医疗物联网(IoMT)提供实体间无缝、大规模和实时的连接。本文提出了一种基于卷积神经网络(CNN)的联邦学习框架,该框架结合了基于安全多方计算(SMPC)的聚合与加密推理方法,所有这些都处于6G和IoMT的背景之下。我们考虑拥有混合IoMT与边缘设备集群的多家医院,其对本地训练的模型进行加密。随后,每家医院将加密的本地模型发送至云端进行基于SMPC的加密聚合,生成加密的全局模型。最终,加密的全局模型被返回至每个边缘服务器以进行更本地化的训练,进一步提升模型精度。此外,医院可在其边缘服务器或云端执行加密推理,同时保持数据与模型隐私。我们使用不同的CNN模型和数据集进行了多项实验,以评估所提框架的性能。
引用
@article{arxiv.2304.13352,
title = {SMPC-based Federated Learning for 6G enabled Internet of Medical Things},
author = {Aditya Pribadi Kalapaaking and Veronika Stephanie and Ibrahim Khalil and Mohammed Atiquzzaman and Xun Yi and Mahathir Almashor},
journal= {arXiv preprint arXiv:2304.13352},
year = {2023}
}