基于屬性加密的聯邦學習參與方選擇方案
網絡安全與數據治理 4期
邱浩宸,張信明
(中國科學技術大學計算機科學與技術學院，安徽合肥230026)
摘要： 聯邦學習通過讓用戶使用本地數據訓練模型來保護隱私，但現有的工作普遍忽略了真實場景下參與方的異質性。針對傳統聯邦學習難以避免與不恰當參與方共享模型的問題，提出一種聯邦學習參與方選擇方案。設計新的可撤銷的密文策略屬性基加密算法，在不泄露隱私的前提下對參與方實現高效的訪問控制。對所提出的方案進行安全性的深入討論，同時使用公開的數據集進行模擬實驗，結果表明所提方案在提供可靠參與方選擇應用的同時極大提升了模型的性能，能促進聯邦學習在智慧城市等場景中的廣泛落地。
中圖分類號：TP181
文獻標識碼：A
DOI:10.19358/j.issn.2097-1788.2023.04.011
引用格式：邱浩宸,張信明.基于屬性加密的聯邦學習參與方選擇方案［J］.網絡安全與數據治理，2023，42（4）：62-69.
文獻標識碼：A
DOI:10.19358/j.issn.2097-1788.2023.04.011
引用格式：邱浩宸,張信明.基于屬性加密的聯邦學習參與方選擇方案［J］.網絡安全與數據治理，2023，42（4）：62-69.
Client selection scheme for federated learning with attributebased encryption
Qiu Haochen,Zhang Xinming
(School of Computer Science and Technology, University of Science and Technology of China, Hefei 230026, China)
Abstract： Federated learning protects privacy by enabling users to train models with local data, but existing works has generally ignored applicability in realworld scenarios. In view of the problem that traditional federated learning frameworks cannot avoid sharing models with inappropriate participants, an efficient federated learning participant selection scheme is proposed. A new ciphertextpolicy attribute based encryption with attribute revocation is designed to achieve efficient access control for participants without disclosing privacy. The security of the proposed scheme is discussed in depth, and the simulation experiment is carried out with open datesets. The results show that the scheme greatly improves the performance of the model while providing reliable participant selection applications, which can promote the widespread implementation of federated learning in smart cities and other scenarios.
Key words : attribute-based encryption; federated learning; attribute revocation
0 引言
隨著機器學習的廣泛應用，其在各個領域都取得了令人矚目的成就，從智慧城市產生的海量多源數據中建立機器學習模型的需求變得愈加強烈。在能源、醫療和社區治理等方面人們迫切需要使用機器學習模型來執行諸如識別和預測等任務。然而，訓練數據的獲取是一個無法回避的關注點，嚴格的公民信息保護條例以及人們對個人隱私的保護要求使得城市正在誕生一個個“數據孤島”。聯邦學習被認為是在智慧城市的場景中訓練模型的很有應用前景的技術。在這個框架下，機器學習模型可以由分布在各地的參與方使用本地的數據進行合作訓練，從而避免了隱私數據的泄漏。自從谷歌公司提出使用聯邦學習來預測用戶下一個鍵盤輸入的應用以來，已經有眾多研究者參與到這一熱門的研究方向。
有別于傳統的集中訓練，聯邦學習中的數據類別通常是非獨立同分布的，此外由于擁有的數據量不同，參與方可能在每個訓練輪次訓練不同數量的樣本。這些異質性會顯著影響模型訓練時間和準確性，因此選擇恰當的參與方進行訓練尤為重要。然而現有的聯邦學習參與方選擇方案要么是根據對模型更新的貢獻度量來選擇具有更高統計效用的客戶端，要么是根據計算資源和通信約束來選擇客戶端。這些方案雖然取得了一定的效果，但也存在著隱患，比如某些參與方利用上傳的梯度信息進行隱私推斷，以及某些參與方企圖以不勞而獲的方式得到全局模型。
本文詳細內容請下載：http://m.xxav2194.com/resource/share/2000005270
作者信息：
邱浩宸,張信明
(中國科學技術大學計算機科學與技術學院，安徽合肥230026)
此內容為AET網站原創，未經授權禁止轉載。