边缘计算下的轻量级联邦学习隐私保护方案

作者：张海超; 赖金山^*; 刘东; 张凤荔

来源：计算机技术与发展, 2023, 33(09): 161-167.

• 联邦学习
• 边缘计算
• 同态加密
• 差分隐私
• 隐私保护

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。

• 单位
  电子科技大学