PriDFL:一种在去中心化联邦学习中具有拜占庭容错性的、计算优化型安全聚合方法
《IEEE Transactions on Device and Materials Reliability》:PriDFL: Computation-optimized Secure Aggregation with Byzantine-resilient in Decentralized Federated Learning
【字体:
大
中
小
】
时间:2025年12月24日
来源:IEEE Transactions on Device and Materials Reliability 2.3
编辑推荐:
隐私保护联邦学习通过数论变换将安全聚合计算复杂度从O(n2)降至O(n log n),采用单掩码方法提供梯度隐私保护,并设计基于模型交叉更新的拜占庭抗性准则检测poisoned gradients。实验表明其计算效率比现有协议高6-10倍且支持拜占庭攻击防御。
摘要:
隐私保护联邦学习(PPFL)是一种具有强隐私保护的分布式学习范式,通常采用安全聚合(SA)协议来保护联邦学习的聚合结果。然而,现有SA协议的高计算成本使其难以应用于具有大量客户端的去中心化联邦学习(DFL),同时也无法防御拜占庭对手发起的模型投毒攻击。在本文中,我们提出了一种与DFL兼容的高效计算SA协议,称为PriDFL,并解决了拜占庭鲁棒性聚合的问题。具体而言,我们设计了一种基于数论变换的先进秘密共享协议,将数据共享过程中的计算复杂度从O(n降低到O(n log n。我们采用单掩码方法为DFL提供轻量级的梯度隐私保护。为了减轻投毒梯度对模型收敛的影响,我们基于模型交叉更新机制提出了一个拜占庭鲁棒性评估标准。该标准能够通过本地计算有效检测出投毒梯度和非独立同分布(non-IID)数据。安全分析表明,PriDFL在诚实但充满好奇心的环境中满足安全要求。我们在典型数据集(如MNIST和CIFAR-10)上对PriDFL进行了评估,结果表明PriDFL在计算效率和拜占庭鲁棒性方面表现优异。特别是,与广泛使用的SA协议相比,PriDFL的计算效率提高了6-10倍,同时仍具备拜占庭鲁棒性。
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