基于并行同态加密和STC 的高效安全联邦学习

作     者：肖林声 钱慎一 XIAO Linsheng;QIAN Shenyi

作者机构：郑州轻工业大学河南郑州450007 

基　　金：国家自然科学基金(No.61672470) 

出 版 物：《通信技术》 (Communications Technology)

年 卷 期：2021年第54卷第4期

页      码：922-928页

摘      要：联邦学习(Federated learning,FL)作为一种可以保护用户隐私安全的机器学习的框架,受到了越来越多的关注。一些研究表明,联邦学习中分布式用户共享的梯度也会泄露用户的隐私信息。因此,将同态加密算法、MapReduce并行化以及稀疏三元(Sparse Ternary Compression,STC)梯度选择算法相结合,设计了高效且安全的联邦学习协议。此外,使用一种高效的方法构造消息验证码来验证服务器返回结果的有效性。实验结果表明:在相同条件下,提出的安全技术在计算方面引入少量额外的开销,即可取得和明文训练一样水平的模型准确率。

主 题 词：联邦学习 并行化 同态加密 STC 

学科分类：0839[0839] 08[工学] 081201[081201] 0812[工学-测绘类] 

D　O　I：10.3969/j.issn.1002-0802.2021.04.023

馆 藏 号：203103129...