《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 其他 > 設(shè)計應(yīng)用 > 基于屬性加密的聯(lián)邦學(xué)習(xí)參與方選擇方案
基于屬性加密的聯(lián)邦學(xué)習(xí)參與方選擇方案
網(wǎng)絡(luò)安全與數(shù)據(jù)治理 4期
邱浩宸,張信明
(中國科學(xué)技術(shù)大學(xué)計算機科學(xué)與技術(shù)學(xué)院,，安徽合肥230026)
摘要： 聯(lián)邦學(xué)習(xí)通過讓用戶使用本地數(shù)據(jù)訓(xùn)練模型來保護(hù)隱私,，但現(xiàn)有的工作普遍忽略了真實場景下參與方的異質(zhì)性。針對傳統(tǒng)聯(lián)邦學(xué)習(xí)難以避免與不恰當(dāng)參與方共享模型的問題，提出一種聯(lián)邦學(xué)習(xí)參與方選擇方案,。設(shè)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(xiàn)高效的訪問控制。對所提出的方案進(jìn)行安全性的深入討論，同時使用公開的數(shù)據(jù)集進(jìn)行模擬實驗,，結(jié)果表明所提方案在提供可靠參與方選擇應(yīng)用的同時極大提升了模型的性能,，能促進(jìn)聯(lián)邦學(xué)習(xí)在智慧城市等場景中的廣泛落地,。
中圖分類號：TP181
文獻(xiàn)標(biāo)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(lián)邦學(xué)習(xí)參與方選擇方案［J］.網(wǎng)絡(luò)安全與數(shù)據(jù)治理，2023,，42（4）：62-69.
Client selection scheme for federated learning with attributebased 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 realworld 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 ciphertextpolicy 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(xué)習(xí)的廣泛應(yīng)用,，其在各個領(lǐng)域都取得了令人矚目的成就，從智慧城市產(chǎn)生的海量多源數(shù)據(jù)中建立機器學(xué)習(xí)模型的需求變得愈加強烈,。在能源,、醫(yī)療和社區(qū)治理等方面人們迫切需要使用機器學(xué)習(xí)模型來執(zhí)行諸如識別和預(yù)測等任務(wù)。然而,，訓(xùn)練數(shù)據(jù)的獲取是一個無法回避的關(guān)注點,，嚴(yán)格的公民信息保護(hù)條例以及人們對個人隱私的保護(hù)要求使得城市正在誕生一個個“數(shù)據(jù)孤島”。聯(lián)邦學(xué)習(xí)被認(rèn)為是在智慧城市的場景中訓(xùn)練模型的很有應(yīng)用前景的技術(shù),。在這個框架下,，機器學(xué)習(xí)模型可以由分布在各地的參與方使用本地的數(shù)據(jù)進(jìn)行合作訓(xùn)練，從而避免了隱私數(shù)據(jù)的泄漏,。自從谷歌公司提出使用聯(lián)邦學(xué)習(xí)來預(yù)測用戶下一個鍵盤輸入的應(yīng)用以來,，已經(jīng)有眾多研究者參與到這一熱門的研究方向。

有別于傳統(tǒng)的集中訓(xùn)練,，聯(lián)邦學(xué)習(xí)中的數(shù)據(jù)類別通常是非獨立同分布的,，此外由于擁有的數(shù)據(jù)量不同，參與方可能在每個訓(xùn)練輪次訓(xùn)練不同數(shù)量的樣本,。這些異質(zhì)性會顯著影響模型訓(xùn)練時間和準(zhǔn)確性,，因此選擇恰當(dāng)?shù)膮⑴c方進(jìn)行訓(xùn)練尤為重要。然而現(xiàn)有的聯(lián)邦學(xué)習(xí)參與方選擇方案要么是根據(jù)對模型更新的貢獻(xiàn)度量來選擇具有更高統(tǒng)計效用的客戶端,，要么是根據(jù)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(jìn)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(xì)內(nèi)容請下載：http://forexkbc.com/resource/share/2000005270




作者信息：

邱浩宸,張信明

(中國科學(xué)技術(shù)大學(xué)計算機科學(xué)與技術(shù)學(xué)院,，安徽合肥230026)

微信圖片_20210517164139.jpg









此內(nèi)容為AET網(wǎng)站原創(chuàng),，未經(jīng)授權(quán)禁止轉(zhuǎn)載。