基于双服务器线性标签的联邦学习可验证安全聚合
密码学与安全
2026-05-26 v1
摘要
联邦学习（FL）通过聚合本地更新而无需共享原始数据来实现协作模型训练。然而，先前研究表明，服务器可利用梯度反向工程侵犯用户隐私或操纵聚合结果，从而破坏全局模型的实用性。为解决这些问题，我们提出一种针对联邦学习的安全可验证聚合方案，采用轻量级密码学原语。我们的 метод利用伪随机函数（PRF）和非冲突的双服务器架构实现安全聚合的相互服务器验证，同时保持与明文聚合相当的通信开销和恒定的验证标签大小。关键在于，它保留用户隐私并实现端到端安全聚合的验证。此外，我们的方案显著降低了用户计算和验证开销，适用于大规模参与者的联邦学习。例如，在输入维度为 20K 时，用户计算时间降低至 18 毫秒，约快 7 倍于 OPSA，而验证时间降至 9.5 毫秒，约快 2.4 倍于 OPSA。
引用
@article{arxiv.2605.24054,
title = {Verifiable Secure Aggregation via Dual Servers with Linear Tags in Federated Learning},
author = {Yufei Zhou},
journal= {arXiv preprint arXiv:2605.24054},
year = {2026}
}