NAAFL:一种非权威性的无政府联邦学习方法,用于防御恶意攻击

《IEEE Transactions on Sustainable Computing》:NAAFL: A Non-Authoritative Anarchic Federated Learning for Defending Against Malicious Attacks

【字体: 大 中 小 】 时间:2025年12月11日 来源:IEEE Transactions on Sustainable Computing 3.9

编辑推荐:

  非权威去中心化联邦学习框架NAAFL提出地区信用筛选机制、多设备验证投票机制和联邦链共识机制,在降低77.51%资源消耗的同时抵御高达80%恶意攻击,优于现有区块链联邦学习方法。

  

摘要:

在传统的联邦学习(FL)中,中央服务器具有权威性(即拥有决定性控制权),这可能在决策失败或受到攻击时对系统安全造成不可估量的损害。为了削弱中央服务器的权威性,现有研究提出了基于区块链的联邦学习(BFL)方法。然而,现有的BFL仍然存在资源开销高以及难以抵御恶意比例较高(超过50%)的攻击的问题。为了解决上述挑战,本文提出了一种高效且安全的非权威性(即高度去中心化)的、无政府状态的(即分布式自治)联邦学习框架,称为NAAFL。在NAAFL的本地处理过程中,提出了一种基于区域信用的筛选机制来确保参与的设备始终是具有较高总信用值的可信设备。然后,为了有效排除大量恶意训练梯度,设计了一种基于历史信息的多设备验证投票机制来构建全局梯度。接下来,为了削弱中央服务器的权威性并降低资源开销同时保证安全性,提出了一种基于联邦链的安全且低消耗的共识机制,并通过动量加速算法进一步降低了开销。最后,对所提出的NAAFL进行了理论分析和实验模拟。结果表明,NAAFL的性能优于现有研究,能够抵御高达80%的恶意攻击,这一比例超过了现有研究的常见阈值(50%)。同时,与BFL相比,NAAFL的开销降低了约77.51%。

引言

如今,传统的机器学习(ML)难以处理日益增长的海量数据,因此引入了分布式机器学习(DML)[1]。DML在网络边缘以分布式方式处理数据,从而减轻了中央服务器的负担[2]。然而,DML在训练任务中必须共享数据,这可能导致数据泄露的风险。为了解决这些问题,谷歌提出了一种称为联邦学习(FL)的隐私保护分布式学习方法[3]。在FL中,中央服务器与客户端(例如手机和物联网设备)相连,客户端使用自己的数据集来训练ML模型[4]。然后,中央服务器汇总来自每个客户端的训练模型。值得注意的是,在整个过程中,客户端不会将自己的原始数据共享给服务器[5]。与传统DML相比,FL显著提高了客户的隐私保护水平[6],[7]。

相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号