当安全聚合不够：面向 LEO 卫星网络的异步联邦学习长期隐私保护
密码学与安全
2025-08-20 v1
摘要
安全聚合是联邦学习中常见的技术，用于保护数据隐私，防止来自内部实体（客户端或服务器）和外部对手（窃听者）的隐私泄露。然而，在低轨道（LEO）卫星网络这类动态且资源受限的环境中，传统的安全聚合方法在两个方面存在不足：（1）它们假设客户端持续可用，而 LEO 卫星的可见性是间歇且不规则的；（2）它们仅考虑单次通信轮次中的隐私，忽略了通过多轮通信导致的潜在隐私泄露。为解决这些限制，我们提出了 LTP-FLEO（Long-Term Privacy for Federated Learning in LEO satellite networks），一个能够为 LEO 卫星网络保护长期隐私的异步联邦学习框架。LTP-FLEO 引入了（i）隐私感知的卫星分区，即根据其对服务器的可预测可见性进行分组并强制联合参与；（ii）模型年龄平衡，即减轻陈旧模型更新的负面影响；（iii）公平全局聚合，即对不同可见时长的卫星予以公平对待。理论分析和实验验证表明，LTP-FLEO 有效地保护了跨多轮训练的模型和数据隐私，促进了与卫星贡献相匹配的公平性，加速了全局收敛，并实现了具竞争力的模型精度。
引用
@article{arxiv.2508.13425,
title = {When Secure Aggregation Falls Short: Achieving Long-Term Privacy in Asynchronous Federated Learning for LEO Satellite Networks},
author = {Mohamed Elmahallawy and Tie Luo},
journal= {arXiv preprint arXiv:2508.13425},
year = {2025}
}