编者荐语
本文提出了一种创新的基于布隆过滤器的联邦遗忘学习方案，巧妙结合了联邦学习的数据最小化原则与布隆过滤器的高效验证特性。该方案不仅有效解决了数据孤岛和隐私泄露风险，还通过组合哈希函数确保了数据传输的完整性和用户隐私的安全。
陈萍 , 江泽豪 , 郭霏霏 , 等 . 基于布隆过滤器的联邦遗忘学习[J]. 信息安全与通信保密 ,2024(10):98-114.
摘 要
联邦学习体现了集中数据收集和最小化的原则，可以有效解决传统集中式机器学习存在的数据孤岛以及系统性的隐私风险问题，但数据使用中仍存在隐私泄露风险。为此，提出一种基于布隆过滤器的联邦遗忘学习方案，通过布隆过滤器实现联邦遗忘学习的成员资格验证、用户隐私保护和数据传输完整性的验证，通过组合哈希函数将数据映射到布隆过滤器中，即使布隆过滤器被泄露，攻击者也只能获取到位数组，隐私信息仍然得到有效保护；同时，使用布隆过滤器能够快速验证数据完整性，确保传输和存储的数据未被篡改，从而提高系统的安全性。安全性分析结果表明，所提方案能够抵抗内部敌手、外部敌手和内外合谋对布隆过滤器存储数据的攻击。性能评估结果表明，在成员资格验证方面，相比于使用哈希表，布隆过滤器在插入速度上提升了约14.6%，在查找速度上提升了约5.3%。
论文结构
0 引 言
1 基础知识
1.1 联邦学习
1.2 联邦遗忘学习
1.3 布隆过滤器
2 联邦遗忘学习方案设计
2.1 用户隐私保护算法
2.2 数据传输完整性验证算法
3 安全性分析与性能评估
3.1 威胁模型与安全目标
3.2 安全性分析
3.3 有效性评估
3.4 性能评估
4 结 语
作者简介
-
陈 萍（1987—），女，学士，研究实习员，主要研究方向为人工智能； -
江泽豪（2000—），男，硕士，主要研究方向为数据安全与隐私保护； -
郭霏霏（1980—），男，硕士，教授，主要研究方向为人工智能； -
熊金波（1981—），通信作者，男，博士，教授，主要研究方向为数据安全与隐私保护、人工智能安全。
点击“阅读全文”， 查看原文
原文始发于微信公众号（信息安全与通信保密杂志社）：基于布隆过滤器的联邦遗忘学习
免责声明:文章中涉及的程序(方法)可能带有攻击性，仅供安全研究与教学之用，读者将其信息做其他用途，由读者承担全部法律及连带责任，本站不承担任何法律及连带责任；如有问题可邮件联系(建议使用企业邮箱或有效邮箱,避免邮件被拦截，联系方式见首页)，望知悉。
- 左青龙
- 微信扫一扫
-
- 右白虎
- 微信扫一扫
-
评论