边缘计算下的轻量级联邦学习隐私保护方案

来源：计算机技术与发展杂志2023年第09期北京时间：

作者：张海超;赖金山;刘东;张凤荔

单位：1. 四川公安厅科技信息化总队,四川 成都 610015;2. 电子科技大学 信息与软件工程学院,四川 成都 610054;3. 电子科技大学 计算机科学与工程学院,四川 成都 611731

摘要：随着物联网和大数据技术的高速发展,以传统云计算模式为代表的集中式学习效率低下,且易受到单点攻击、共谋攻击、中间人攻击等一系列攻击手段,造成数据安全的隐患。 边缘计算模式使得分布式联邦学习成为了可能,然而,联邦学习虽然能够保证数据在本地的安全和隐私,但是也面临众多安全威胁,如梯度泄露攻击,此外,效率问题也是联邦学习的痛点所在。 为了保障边缘计算场景下的模型训练安全,提出了一种边缘计算下的轻量级联邦学习隐私保护方案(Lightweight Federated Learning Privacy Protection Scheme Under Edge Computing,LFLPP) 。 首先,提出一种云-边-端分层的联邦学习框架;其次,对不同层进行隐私保护;最后,提出一种周期性更新策略,极大地提高了收敛速度。 使用乳腺癌肿瘤数据集和 CIFAR10 数据集在 LR 模型和 Resnet18 残差模型上进行训练和测试,同时使用 CIFAR10 数据集与 FedAvg 和PPFLEC( Privacy-Preserving Federated Learning for Internet of Medical Things under Edge Computing) 两种方案进行对比实验,得出准确率和训练效率的差距,并进行准确率、效率以及安全性等方面的分析,该方案在 CIFAR-10 数据集上能达到84. 63% 的准确率。

关键词：联邦学习;边缘计算;同态加密;差分隐私;隐私保护