高效移动-云协同聚合技术:用于具有延迟抵抗能力的联邦学习
《IEEE Transactions on Mobile Computing》:Efficient Mobile-Cloud Collaborative Aggregation for Federated Learning with Latency Resilience
【字体:
大
中
小
】
时间:2025年12月17日
来源:IEEE Transactions on Mobile Computing 9.2
编辑推荐:
针对联邦学习中高延迟客户端导致的隐私泄露和计算成本过高的挑战,本文提出高效移动-云协作聚合方法EFL-LR,利用Shamir秘密共享和伪随机函数,客户端计算复杂度为O(n+d)+log2n,服务器为O(n+d),实验表明客户端计算成本降低2-3倍,服务器聚合恢复加速10倍以上。
摘要:
随着移动计算和边缘计算的快速发展,联邦学习(FL)作为一种关键技术应运而生,它能够在保护用户隐私的同时实现移动设备上的协作模型训练。安全聚合是联邦学习中的关键组成部分,用于保护本地梯度并计算全局模型,但该过程容易受到高延迟的威胁。当某些客户端延迟到达时,客户端之间的配对掩码无法被正确取消,这迫使服务器必须学习这些延迟客户端的掩码以完成聚合。因此,网络不确定性可能导致聚合过程出现服务中断或隐私泄露的风险。虽然双重掩码技术被认为是实现鲁棒性和隐私性的最有效方法,但其计算和通信成本非常高,尤其是对于资源有限的移动设备而言。为了解决这些问题,我们提出了一种具有延迟抵抗能力的高效移动-云协同聚合方案(EFL-LR)。我们利用Shamir秘密共享技术和密钥同态伪随机函数来保护高延迟客户的隐私,同时将计算开销降低到客户端O(n log^2n + d),服务器的开销降低到O(n + d)。形式化的安全性分析证实了其延迟抵抗能力和隐私保护效果。实验结果表明,EFL-LR将客户端端的计算成本降低了2–3倍,并将服务器端的聚合恢复速度提高了至少10倍。
生物通微信公众号
生物通新浪微博
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