摘要
联邦学习(federated learning,FL)是最近几年快速兴起的一种分布式机器学习算法,可以在不交换数据的前提下保护隐私。但是在模型训练的过程中,由于一些“诚实且好奇”的客户端的参与,可能会导致隐私信息的泄露或遭受到成员推理、属性推理或恢复数据训练等攻击。因此,对于联邦学习中隐私保护技术的研究已经成为新的热点。在现阶段的研究中,常采用同态加密(homomorphic encryption,HE)技术进行隐私保护,而Paillier同态是最常用的加密算法之一。为了使得加密算法更高效,利用中国剩余定理(Chinese remainder theorem,CRT)对Paillier同态加密算法的计算过程进行优化,并与未优化的Paillier加密算法进行对比实验。实验结果表明,优化后的加密算法在联邦学习中,既提升了其隐私性能,也提高了同态加密计算的效。
作者
尚家秀
吴宗航
史腾飞
SHANG Jiaxiu;WU Zonghang;SHI Tengfei
出处
《信息技术与信息化》
2023年第3期133-136,共4页
Information Technology and Informatization
作者简介
尚家秀(1999-),女,河南新乡人,硕士研究生,研究方向:信息安全、数字图像处理。
