24259

IT2 140

كارشناسي ارشد

مهندسي كامپيوتر- رايانش امن

مهندسي كامپيوتر

1403/6/28

70 ص.

حميد ملا

يادگيري مشاركتي , تجميع امن , حريم خصوصي , همگرايي شبكه مشاركتي

تجميع به فرآيند جمع‌آوري و تركيب اطلاعات يا داده‌ها از منابع مختلف براي دست‌يابي به يك نتيجه كلي از داده‌ها گفته مي‌شود. تجميع امن، تجميعي است كه در آن حريم خصوصي داده‌ها و اطلاعات منابع حفظ شده و در عين حال يك نتيجه كلي نيز حاصل شود. تجميع امن از سال 2010 و با شروع استفاده گسترده حسگرها در صنعت، مورد توجه قرار گرفت و كاربردهاي مختلفي مانند راي‌گيري الكترونيكي و محاسبه ميانگين دماي هوا يا ميزان بارش يك منطقه يافت. امروزه تجميع امن در يادگيري مشاركتي موضوع تحقيقاتي مهمي است كه كارهاي زيادي روي آن انجام شده است. يادگيري مشاركتي امكان محافظت از حريم خصوصي مدل مشاركت‌كنندگان در فرآيند يادگيري را با آموزش مدل روي داده‌هاي خصوصي آن‌ها و ارسال وزن‌هاي مدل آموزش‌ديده به سرور تجميع به جاي داده‌هاي خصوصي مشاركت كنندگان، فراهم مي‌كند. چالش اين است كه مدل مشاركت‌كنندگان نيز نبايد براي هيچ هستاري به جز خودشان مشخص باشد. اين چالش باعث به وجود آمدن مفهوم تجميع امن در يادگيري مشاركتي شد. طرح‌هاي مختلفي براي تجميع امن در يادگيري مشاركتي وجود دارد اما بيش‌تر اين طرح‌ها سربار ارتباطي غيرقابل تحملي دارند كه مستقيما وابسته به تعداد مشاركت‌كنندگان است. علاوه‌براين هيچ يك از طرح‌هايي كه بررسي كرديم راه‌حلي براي مشكل همگرايي كند شبكه مشاركتي بيان نكرده بود. در اين پايان نامه يك طرح تجميع امن در يادگيري مشاركتي پيشنهاد مي‌شود كه وابسته به تعداد مشاركت كنندگان نيست، همچنين در اين طرح روشي براي سرعت بخشيدن به همگرايي مدل تجميع با استفاده از سنجش فاصله بين مدل مشاركت كنندگان ارائه مي‌شود.به‌ علاوه در طرح پيشنهادي براي مقابله با سرور تجميع بدخواهي كه مدل تجميع‌شده را مسموم مي‌كند، پروتكلي ارائه شده است. در طرح پيشنهادي اگر سرور تجميع شكست هم بخورد، امكان اطلاع كليه مشاركت كنندگان از آخرين مدل تجميع سالم و شروع دوباره يادگيري مشاركتي با آن مدل وجود دارد.

Federated Learning , Secure Aggregation , Secure Multiparty Computation (SMC) , Homomorphic Encryption (HE) , Convergence , Masking

Efficient and Privacy-Preserving Model Aggregation Scheme for Federated Learning using Secure Multi-Party Computation

مهندسي فناوري اطلاعات

Federated learning is a machine learning technique that enables decentralized data processing across multiple devices while preserving data privacy. This approach enhances security and efficiency, making it ideal for applications where data privacy is crucial. Federated learning enhances data privacy by allowing participants to locally train models and only transmit the trained model parameters (or gradients) to the remote server without disclosing private data sets. To protect local models against disclosure, nobody other than the user shall know their own local model while the global model will be revealed to all users. This problem is known as Secure Aggregation which can be generally realized using cryptographic primitives such as secure multiparty computation (SMPC) and homomorphic encryption (HE). One outstanding problem with secure aggregation is that model poisoning attacks are made easier such as server side model poisoning attack. Our pruposed hybrid approach offers secure masking and multi-party computation-based federated learning with more rapid convergence compared to previous methods. Our proposed method has more efficient communication overhead compared to most of the previous methods.

6