物联网中带有隐私保护的鲁棒联邦学习研究

来源：电子与信息学报杂志2023年第12期北京时间：

作者：杨志刚, 王卓彤, 吴大鹏, 王汝言, 吴渝, 吕翊

单位：1.重庆邮电大学网络空间安全与信息法学院 重庆 4000652.重庆邮电大学通信与信息工程学院 重庆 4000653.先进网络与智能互联技术重庆市高校重点实验室 重庆 4000654.泛在感知与互联重庆市重点实验室 重庆 400065

摘要：联邦学习允许数据不出本地的情况下实现数据价值的有效流动，被认为是物联网(IoT)场景下兼顾数据共享与隐私保护的有效方法。然而，联邦学习系统易受拜占庭攻击和推理攻击的影响，导致系统的鲁棒性和数据的隐私性受损。物联网设备的数据异构性和资源瓶颈，也为带有隐私保护的鲁棒聚合算法设计带来巨大挑战。该文提出面向异构物联网的带有数据重采样的鲁棒聚合方法Re-Sim，通过测量方向相似性和标准化更新幅度实现模型的鲁棒聚合，并采用数据重采样技术增强数据异构环境下模型的鲁棒性。同时构建轻量安全聚合协议(LSA)，在保证数据隐私性的同时兼顾模型鲁棒性、准确性和计算开销，并从理论上对协议的隐私性进行了分析。仿真结果表明，该方案能在数据异构情况下有效抵抗拜占庭攻击和推理攻击，与基线方法相比，该文所提方案精度提高1%～3%，同时减轻客户端侧计算开销79%。

关键词：物联网, 联邦学习, 鲁棒聚合, 秘密分享

基金资助：国家自然科学基金(61901071, 61871062, 61771082, 62271096, U20A20157)，重庆市自然科学基金(cstc2020jcyj-zdxmX0024)，重庆市高校创新研究群体(CXQT20017)，重庆高校创新团队建设计划(CXTDX201601020)，重邮信通青创团队支持计划(SCIE-QN-2022-04)