基于工作证明的联邦学习懒惰客户端识别方法
作者机构:中国科学技术大学计算机科学与技术学院
出 版 物:《计算机应用》 (Journal of Computer Applications)
年 卷 期:2024年
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 0839[工学-网络空间安全] 0835[工学-软件工程] 0811[工学-控制科学与工程] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:中国科学院战略性先导科技专项(A类)(XDA19020102)
摘 要:在对隐私保护的需求不断增长的当今社会,联邦学习正受到广泛关注。然而,在联邦学习中,服务器难监管客户端的行为,致使懒惰客户端的存在为联邦学习的表现与公平性带来了潜在威胁。针对如何高效又准确辨别懒惰客户端的问题展开研究,提出设置基于后门的工作证明方案,简称为FedBD。服务器为参与联邦学习的客户端额外指定更易检测的后门任务,客户端在训练原任务基础上训练后门任务,服务器通过后门任务的训练情况间接监管客户端行为。实验结果表明,在MNIST、CIFAR10等数据集上,相较于经典联邦平均算法(FedAvg)和先进的GTG-Shapley算法,FedBD有一定优势,在懒惰客户端占比设置为15%时,对比FedAvg准确率提升可达10个百分点以上,对比GTG-Shapley准确率提升约2个百分点。而且FedBD平均训练时间仅为GTG-Shapley的11.8%,在懒惰客户端占比10%时辨别懒惰客户端的准确率可超过99%,较好解决了懒惰客户端难以监管的问题。