SPRITE：面向工业物联网的可扩展隐私保护与可验证协同学习
密码学与安全
2022-03-23 v1 分布式、并行与集群计算
机器学习
摘要
近来，协同学习被广泛应用于工业物联网（IIoT）中生成的敏感数据建模。它使大量设备能够与服务器协作、在各自本地保留数据集的同时集体训练一个全局模型。然而，现有方法受限于高开销，并可能遭受恶意服务器返回伪造聚合结果的问题。为此，我们提出一种可扩展、隐私保护且可验证的协同学习（SPRITE）算法，为 IIoT 训练线性回归与逻辑回归模型。我们旨在通过引入雾作为中间件，减轻资源受限 IIoT 设备的负担及对云的信任依赖。SPRITE 采用阈值秘密共享以保障隐私保护及对 IIoT 设备掉线的鲁棒性，并采用可验证加法同态秘密共享以确保模型聚合过程中的可验证性。我们证明了 SPRITE 在诚实但好奇设定下（云不可信）的安全性。我们通过理论开销分析以及基于两个真实工业数据集的 IIoT 用例上的广泛测试床实验，验证了 SPRITE 的可扩展性与轻量性。对于大规模工业部署，SPRITE 在线性回归与逻辑回归上分别较竞争对手提升 65% 与 55% 性能，同时将 IIoT 设备的通信开销降低 90%。
引用
@article{arxiv.2203.11914,
title = {SPRITE: A Scalable Privacy-Preserving and Verifiable Collaborative Learning for Industrial IoT},
author = {Jayasree Sengupta and Sushmita Ruj and Sipra Das Bit},
journal= {arXiv preprint arXiv:2203.11914},
year = {2022}
}
备注
Accepted for publication at The 22nd IEEE/ACM International Symposium on Cluster, Cloud and Internet Computing (CCGrid 2022). 5 figures and 6 tables