一种基于“云-边”协同计算的新安全联邦学习方案

摘要

在联邦学习过程中，如何高效保护本地训练模型和全局训练模型的隐私性与完整性，是一个亟待解决的问题。传统基于差分隐私的安全联邦学习方法存在计算开销大、通信能耗高且执行时间长等问题。为此，基于“云-边”协同计算，提出了一种新的安全高效的联邦学习方案(Secure and Efficient Federated Learning,简称SEFL)。SEFL通过在云服务器(Cloud Sever,简称CS)上配置基于英特尔SGX的TEE(Trusted Execution Environment)来保障模型汇聚的安全性，综合利用对称加密技术与非对称加密技术来保护CS与边缘服务器(Edge Sever,简称ES)间的通信安全性，并通过在ES上构建链式存储结构来提高模型存储的安全性。理论分析和实验结果显示，SEFL具有较高的安全性，且能够有效提高联邦学习的训练效率。

关键词

联邦学习 / 可信执行环境 / 链式存储结构 / 隐私性 / 完整性