面向安全与隐私的空中联邦学习
信号处理
2022-10-17 v1
摘要
本文研究了一种新颖的安全且隐私的空中联邦学习（SP-OTA-FL）框架，其中利用噪声来保护数据隐私与系统安全。具体而言，用户数据的隐私泄露与系统的安全水平分别由差分隐私（DP）和均方误差安全（MSE-security）来度量。为减轻噪声对学习精度的影响，我们提出了一种信道加权后处理（CWPP）机制，该机制对信道条件较差设备的梯度赋予较小权重。此外，采用 CWPP 可避免在对齐的空中联邦学习（OTA-FL）中整体系统的信噪比（SNR）受最差信道条件设备限制的问题。我们从理论上分析了噪声对隐私与安全保护的影响，并通过收敛性分析阐明了噪声对学习性能的不利影响。基于这些分析结果，我们在不同信道噪声情形下提出了考虑隐私与安全保护的设备调度策略。特别地，我们构建了一个整数非线性分式规划问题，旨在最小化噪声对学习过程的负面影响。当模型为高维时，我们获得了该优化问题的闭式解。对于一般情形，我们提出了一种基于分支定界（BnB）方法的安全隐私算法（SPA），能以低复杂度获得最优解。所提 CWPP 机制与设备选择策略的有效性通过仿真得到了验证。
引用
@article{arxiv.2210.07669,
title = {Toward Secure and Private Over-the-Air Federated Learning},
author = {Na Yan and Kezhi Wang and Kangda Zhi and Cunhua Pan and Kok Keong Chai and H. Vincent Poor},
journal= {arXiv preprint arXiv:2210.07669},
year = {2022}
}