安全联邦学习中的水印技术：基于客户端后门的验证框架
密码学与安全
2023-03-06 v2 人工智能
机器学习
摘要
联邦学习（FL）允许多个参与者协作构建深度学习（DL）模型而无需直接共享数据。因此，FL中的版权保护问题变得重要，因为不可靠的参与者可能访问联合训练的模型。同态加密（HE）在安全FL框架中的应用阻止中央服务器访问明文模型。因此，使用现有水印方案在中央服务器嵌入水印不再可行。在本文中，我们提出一种新颖的客户端FL水印方案，以解决带HE的安全FL中的版权保护问题。据我们所知，这是在安全FL环境下将水印嵌入模型的第一个方案。我们设计了一种基于客户端后门的黑盒水印方案，通过梯度增强嵌入方法将预设计的触发集嵌入FL模型。此外，我们提出了一种触发集构建机制以确保水印不能被伪造。实验结果表明，我们提出的方案对各种水印去除攻击和歧义攻击提供了出色的保护性能和鲁棒性。
引用
@article{arxiv.2211.07138,
title = {Watermarking in Secure Federated Learning: A Verification Framework Based on Client-Side Backdooring},
author = {Wenyuan Yang and Shuo Shao and Yue Yang and Xiyao Liu and Ximeng Liu and Zhihua Xia and Gerald Schaefer and Hui Fang},
journal= {arXiv preprint arXiv:2211.07138},
year = {2023}
}