基于工作证明的联邦学习懒惰客户端识别方法

作     者：林海力 李京 

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) 

主　　题：联邦学习 后门 懒惰客户端 工作证明 数据异构 

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。