具有隐私保护的安全可验证联邦学习方案OA

针对联邦学习中对数据隐私保护的需求与模型训练效率的挑战,提出一种具有隐私保护的安全可验证联邦学习(SVFL)方案.该方案通过结合多密钥同态加密与代理重加密机制,在不暴露原始数据的情况下实现数据的安全聚合,简化了数据处理流程并减少了通信成本.为了进一步增强系统的安全性,本方案引入聚合签名以验证上传参数的完整性.此外,采用Hadamard积和陷门承诺技术验证聚合结果的准确性及验证过程的安全性.安全性分析证明:SVFL方案能够有效防止训练模型和参与者数据的泄露,并能抵御半诚实服务器与用户的合谋攻击.实验结果表明:该方案不仅在保护隐私方面表现出色,而且允许用户在训练过程中退出,同时仍然保持高精度,显著降低了通信开销,这为大规模分布式机器学习提供了一个可行且高效的解决方案.