抗投毒联邦学习方案

航班数据共享更安全

面向飞行运行数据共享的联邦学习方案，通过本地Rényi差分隐私和基于K-Means聚类的模型筛选，可同时抵御恶意客户端与服务器投毒攻击。

Li, Xinyan · 赵慧敏 · 徐俊洁 · Guangtian, Zhu · Wu, Deng

IEEE Transactions on Wireless Communications 2024

技术优势

抗投毒攻击

通过K-Means聚类筛选参与聚合的模型，降低恶意客户端的影响。

去中心化服务器

基于联盟区块链的FGPBFT共识算法动态更换服务器和共识客户端，消除单点故障。

隐私保护

本地Rényi差分隐私在数据上传前添加噪声，防止隐私泄露。

应用场景

• 数据安全：提供抗投毒机制确保数据不被恶意篡改，保障共享模型可信。
• 联邦学习：采用去中心化联邦学习架构，消除中心服务器依赖。
• 航空数据共享：让航空公司在不共享原始飞行数据的情况下联合训练模型。
• 隐私保护：用本地差分隐私确保客户端数据在训练中被保护。
• 边缘智能：FGPBFT共识高效支持边缘设备参与联邦学习。