孙红光副教授在无线网络中基于信誉的安全联邦学习研究方面取得新进展

论文题目：Reputation-based Federated Learning for Secure Wireless Networks

作者：Zhendong Song, Hongguang Sun(通信作者), Howard H. Yang, Xijun Wang, Yan Zhang, and Tony Q. S. Quek

期刊名称：IEEE Internet of Things Journal（中科院一区top期刊）

发表时间：2021年5月

论文摘要：

随着物联网应用的高速发展，无线通信系统中移动设备的有限处理性能越来越难以满足实际应用中不断增长的数据处理需求。联邦学习(FL)作为一种分布式机器学习方法，将边缘设备训练的局部模型在中央服务器(BS)聚合成全局模型，并将全局模型再次下发给边缘设备进行迭代优化，避免了上传原始数据所带来的隐私泄露风险。然而，由于边缘设备的训练过程以及模型参数的传输过程不可控，为无线网络中的恶意用户带来了攻击破坏全局模型的机会。因此，本研究采用基于Beta分布函数的信誉模型来衡量边缘设备的信誉，并在无线网络场景下提出了一种基于信誉且兼顾公平性的边缘设备调度策略来提高联邦学习的收敛性和安全性。本研究综合考虑无线信道的衰落特性和恶意用户的攻击特性等影响，推导出了存在恶意用户条件下，无线网络中联邦学习的收敛速率，并进一步联合数值分析和实验模拟验证了所提出的基于信誉的用户调度策略的优越性。

无线网络中具有恶意用户的典型联邦学习系统恶意用户比例和平均攻击强度对收敛的影响

所提策略与其他策略在无恶意攻击网络中的收敛性能比较所提策略与其他策略在有恶意攻击网络中的收敛性能比较

结果表明，所提出的安全联邦学习框架不仅可以有效区分恶意用户和正常用户，还能有效抵御不同强度和频率的数据中毒攻击。恶意用户比例对FL收敛性能的影响大于恶意用户的平均攻击强度，且随着恶意用户比例的增加，平均攻击强度的负面影响也随之增大。

论文链接：https://ieeexplore.ieee.org/document/9428537