zkFL:基于零知识证明的联邦学习梯度聚合
人工智能
2025-07-22 v5 密码学与安全
机器学习
摘要
联邦学习(FL)是一种机器学习范式,使多个去中心化客户端能够在中央聚合器的协调下协作训练模型。FL可成为大数据场景下的可扩展机器学习解决方案。传统FL依赖于对中央聚合器诚实的信任假设,即其能诚实地组建客户端队列。然而,现实中的恶意聚合器可能丢弃并替换客户端的训练模型,或插入虚假客户端,以操纵最终训练结果。本工作中,我们引入zkFL,利用零知识证明解决训练模型聚合过程中的恶意聚合器问题。为保证聚合结果正确,聚合器每轮提供证明,向客户端表明其忠实地执行了预期行为。为进一步降低客户端的验证成本,我们使用区块链以零知识方式处理证明,其中矿工(即验证和维护区块链数据的参与者)可在不知晓客户端本地与聚合模型的情况下验证证明。理论分析与实证结果表明,zkFL在不修改底层FL网络结构或不严重牺牲训练速度的前提下,比传统FL实现了更好的安全性与隐私性。
引用
@article{arxiv.2310.02554,
title = {zkFL: Zero-Knowledge Proof-based Gradient Aggregation for Federated Learning},
author = {Zhipeng Wang and Nanqing Dong and Jiahao Sun and William Knottenbelt and Yike Guo},
journal= {arXiv preprint arXiv:2310.02554},
year = {2025}
}
备注
Accepted by IEEE Transactions on Big Data