VFEFL：基于可验证函数加密的隐私保护联邦学习防御恶意客户端
密码学与安全
2026-04-14 v10 人工智能
摘要
联邦学习是一种有前景的分布式学习范式，能够在暴露本地客户端数据之外实现协作模型训练，从而保护数据隐私。然而，它也带来了新的威胁和挑战。模型反转攻击的进展使得本地模型的明文传输不安全，而联邦学习的分布式特性使其特别容易受到恶意客户端发起的攻击。为了保护数据隐私并防止恶意客户端攻击，本文提出了一种基于可验证函数加密（VFEFL）的隐私保护联邦学习框架，无需非合谋双服务器假设或额外的可信第三方。具体而言，我们提出了一种新型的跨密文去中心化可验证函数加密（CC-DVFE）方案，能够验证多维密文之间的特定关系。该方案在定义、安全模型和安全证明方面得到了正式处理。此外，基于所提出的CC-DVFE方案，我们设计了一个隐私保护联邦学习框架，结合了一种新颖的鲁棒聚合规则来检测恶意客户端，从而在对抗性设置下有效训练高精度模型。最后，我们提供了VFEFL的形式分析和经验评估。结果表明，我们的方法实现了所需的隐私保护、鲁棒性、可验证性和保真度，同时消除了大多数现有方法所要求的非合谋双服务器假设或可信第三方的依赖。
引用
@article{arxiv.2506.12846,
title = {VFEFL: Privacy-Preserving Federated Learning against Malicious Clients via Verifiable Functional Encryption},
author = {Nina Cai and Jinguang Han and Weizhi Meng},
journal= {arXiv preprint arXiv:2506.12846},
year = {2026}
}