一种基于异步联邦学习的安全聚合机制

摘要：

针对异步联邦学习的客户端数据隐私保护难度高、存在推理攻击等安全问题,提出一种基于异步联邦学习的安全聚合机制.根据客户端异步学习的特征,利用秘密分享与Paillier同态加密等技术在客户端选择自己的秘密份额用于掩盖客户端模型参数,服务器则利用拉格朗日插值法恢复总秘密用于获取聚合的全局参数,在保留异步模型低开销与高精度的优势下,具备抵御推理攻击的能力,使模型更加可靠实用.实验结果表明,所提安全聚合机制在每轮迭代中,客户端加密的平均耗时为0.226 s,服务器安全聚合的平均耗时为 0.363s.与模型训练相比,安全聚合产生的时间开销极小,且提高了模型的安全性.

关键词：联邦学习、异步更新、推理攻击、安全聚合、秘密分享、Paillier加密

所属期刊栏目：28

分类号：TP309.7(计算技术、计算机技术)

资助基金：青海省基础研究计划项目2020-ZJ-701

在线出版日期：2023-07-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：50-61