计算机应用研究

作者：李功丽,马婧雯,范云,

单位：河南师范大学a.计算机与信息工程学院;b.河南省教育人工智能与个性化学习重点实验室,河南新乡453007；

关键词：联邦学习,隐私保护,聚类,四元数,零共享,秘密共享,

基金：河南省科技攻关计划资助项目(232102211057)；；

联邦学习是一种前沿的分布式机器学习算法，它在保障用户对数据控制权的同时实现了多方协同训练。然而，现有的联邦学习算法在处理Non-IID数据、梯度信息泄露和动态用户离线等方面存在诸多问题。为了解决这些问题，基于四元数、零共享与秘密共享等技术，提出了一种梯度隐藏的安全聚类与隐私保护联邦学习SCFL。首先，借助四元数旋转技术隐藏首轮模型梯度，并且在确保梯度特征分布不变的情况下实现安全的聚类分层，从而解决Non-IID数据导致的性能下降问题；其次，设计了一种链式零共享算法，采用单掩码策略保护用户模型梯度；然后，通过门限秘密共享来提升对用户离线情况的鲁棒性。与其他现有算法进行多维度比较表明，SCFL在Non-IID数据分布下准确度提高3.13%~16.03%，整体运行时间提高3~6倍。同时，任何阶段均能保证信息传输的安全性，满足了精确性、安全性和高效性的设计目标。

来源：2024年第6期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2024年第6期