机构名称：
¥ 1.0
摘要 - 联邦学习（FL）作为一个分离的机器学习范式的出现，引入了新的Cybercurity挑战，尤其是威胁模型完整性和参与者隐私的对抗性攻击。本研究提出了一个受控制流（CFA）机制启发的创新安全框架，传统上用于网络安全，以确保软件执行完整性。通过在FL框架内集成数字签名和加密散布，我们对整个网络跨网络的模型更新的完整性进行了验证，从而有效地减轻了与模型中毒和对抗性干扰相关的风险。我们的方法是将CFA原理应用于FL的新颖性，可确保参与节点的贡献是真实且未受到损害的，从而在不损害计算效率或模型性能的情况下增强了系统的弹性。对基准数据集，MNIST和CIFAR-10的经验评估证明了我们的框架的有效性，在完整性验证和身份验证方面达到了100％的成功率，以及针对对抗性攻击的明显韧性。这些结果验证了提议的安全性增强和开放途径，以提供更安全，可靠和意识的分布式机器学习解决方案。我们的工作弥合了网络安全与分布式机器学习之间的关键差距，为Secure FL中的未来进步奠定了基础。索引术语 - 填充学习，网络安全，控制流证明，数字签名，哈希
通过控制流证明确保联合学习
主要关键词
相关文件推荐
