面向CyberEdge网络的鲁棒性联邦学习：最新进展与未来趋势
密码学与安全
2025-04-03 v1 分布式、并行与集群计算
摘要
本文综述了CyberEdge网络中鲁棒性联邦学习（ResFL）的最新技术，聚焦于基于 agglomerative deduction 和面向特征的安全机制的联合训练。我们探索了应对非独立同分布（non-IID）数据挑战的自适应层次学习策略，提高了可扩展性并降低了通信开销。研究了容错技术和 agglomerative deduction 机制，以检测不可靠设备、细化模型更新并增强收敛稳定性。与现有联邦学习安全研究不同，我们全面分析了面向特征的威胁，如中毒、推理和重构攻击，这些攻击利用模型特征。此外，我们检查了鲁棒性聚合技术、异常检测和加密防御，包括差分隐私和安全多方计算，以强化联邦学习安全性。此外，我们讨论了将6G、大语言模型（LLM）和可互操作学习框架集成以增强隐私保护和去中心化跨域训练。这些进展提供了超低延迟、由人工智能驱动的网络管理以及对对抗性攻击的改进鲁棒性，推动了在CyberEdge网络中部署安全ResFL。
关键词
引用
@article{arxiv.2504.01240,
title = {Towards Resilient Federated Learning in CyberEdge Networks: Recent Advances and Future Trends},
author = {Kai Li and Zhengyang Zhang and Azadeh Pourkabirian and Wei Ni and Falko Dressler and Ozgur B. Akan},
journal= {arXiv preprint arXiv:2504.01240},
year = {2025}
}
备注
15 pages, 8 figures, 4 tables, 122 references, journal paper