VFL：一种面向工业物联网大数据且隐私保护的可验证联邦学习
密码学与安全
2020-07-31 v2
摘要
由于大数据的强分析能力，深度学习已广泛应用于工业物联网中训练所收集的数据。然而，出于隐私问题，传统的数据收集式集中学习不适用于对训练集敏感的工业场景。近来，联邦学习受到广泛关注，因为它仅依靠梯度聚合而不访问训练集来训练模型。但现有研究表明，共享梯度仍保留了训练集的敏感信息。更糟的是，恶意聚合服务器可能返回伪造的聚合梯度。在本文中，我们提出VFL，一种面向工业物联网大数据且隐私保护的可验证联邦学习(verifiable federated learning)。具体而言，我们使用拉格朗日插值精心设置插值点以验证聚合梯度的正确性。与现有方案相比，VFL的验证开销不随参与者数量变化而保持恒定。此外，我们采用盲化技术来保护参与者所提交梯度的隐私。若n个参与者中不超过n-2个与聚合服务器串通，VFL能保证其他参与者的加密梯度不被反推。实验评估证实了所提VFL框架具有高准确率和高效性的实用性能。
引用
@article{arxiv.2007.13585,
title = {VFL: A Verifiable Federated Learning with Privacy-Preserving for Big Data in Industrial IoT},
author = {Anmin Fu and Xianglong Zhang and Naixue Xiong and Yansong Gao and Huaqun Wang},
journal= {arXiv preprint arXiv:2007.13585},
year = {2020}
}
备注
12 pages, 10 figures