БЕЗПЕКА ПОТОКОВИХ ДАНИХ У РОЗПОДІЛЕНИХ СИСТЕМАХ РЕАЛЬНОГО ЧАСУ ІЗ ЗАСТОСУВАННЯМ ДИФЕРЕНЦІЙНОЇ ПРИВАТНОСТІ ТА ФЕДЕРАТИВНОГО НАВЧАННЯ
DOI:
https://doi.org/10.17721/ISTS.2025.10.77-82Ключові слова:
розподілені системи, реальний час, федеративне навчання, диференційна приватність, потокові дані, агрегація, Krum, атаки отруєнняАнотація
В с т у п . Федеративне навчання є однією з ключевих парадигм для машинного навчання на децентралізованих даних у розподілених системах реального часу зі збереженням приватності. Однак воно залишається вразливим до двох різних загроз: атак на виведення приватної інформації зі спільних оновлень моделі й атак отруєння даних із боку зловмисних клієнтів.
М е т о д и . Представлено нову гібридну архітектуру, розроблену для одночасного протистояння обом загрозам у середовищах розподіленого оброблення потокових даних, що інтегрує локальну диференційну приватність (LDP) на стороні клієнта для надання формальних гарантій приватності оновлень моделі й алгоритмам агрегації на стороні сервера (покоординатна медіана та Krum) для забезпечення стійкості.
Р е з у л ь т а т и . Проведено розширене емпіричне оцінювання за допомогою симульованого середовища. Результати кількісно визначають компроміс між корисністю моделі та приватністю, демонструючи плавне зниження точності за посилення приватності (ε). Крім того, показано, що пропонована архітектура, особливо з агрегатором Krum, підтримує високу точність моделі навіть за наявності до 30 % зловмисних клієнтів – сценарій, у якому стандартне федеративне усереднення (FedAvg) повністю зазнає невдачі.
В и с н о в к и . Пропонована архітектура демонструє, що поєднання локальних механізмів приватності з агрегацією забезпечує комплексну, ешелоновану стратегію захисту для федеративних систем. Цей гібридний підхід є критично важливим для розгортання безпечних і надійних систем реального часу у реальних, змагальних середовищах.
Завантажити
Посилання
Blanchard, P., El Mhamdi, E. M., Guerraoui, R., & Stainer, J. (2017). Machine learning with adversaries: Byzantine tolerant gradient descent. Advances in Neural Information Processing Systems, 30. https://papers.nips.cc/paper_files/paper/2017/hash/f4b9ec30ad9f68f89b29639786cb62ef-Abstract.html
Dwork, C., McSherry, F., Nissim, K., & Smith, A. (2006). Calibrating noise to sensitivity in private data analysis. Theory of Cryptography Conference, 265–284. Springer. https://link.springer.com/chapter/10.1007/11681878_14
Konečný, J., McMahan, H. B., Yu, F. X., Richtárik, P., Suresh, A. T., & Bacon, D. (2016). Federated learning: Strategies for improving communication efficiency. arXiv preprint arXiv:1610.05492. https://doi.org/10.48550/arXiv.1610.05492
McMahan, H. B., Moore, E., Ramage, D., Hampson, S., & Arcas, B. A. (2017). Communication-efficient learning of deep networks from decentralized data. Artificial intelligence and statistics, 1273–1282. PMLR. https://www.scirp.org/reference/referencespapers?referenceid=3429224
Pillutla, K., Kakade, S. M., & Harchaoui, Z. (2022). Robust aggregation for federated learning. IEEE Transactions on Signal Processing, 70, 1142–1154. https://doi.org/10.1109/TSP.2022.3153135
Sun, J., Li, T., Wang, B., Li, C., Yu, P. S., & Chen, C. (2021). Can you take a punch? A novel framework for defending against poisoning attacks in federated learning. IEEE Transactions on Big Data. https://www.researchgate.net/publication/379069122_Defending_Against_Poisoning_Attacks_in_Federated_Learning_with_Blockchain
Wei, K., Li, J., Ding, M., Ma, C., Yang, H. H., Farokhi, F., Jin S., Quek T., & Poor, H. V. (2020). Federated learning with differential privacy: Algorithms and performance analysis. IEEE Transactions on Information Forensics and Security, 15, 3454–3469. https://doi.org/10.48550/arXiv.1911.00222
Yin, D., Chen, Y., Kannan, R., & Bartlett, P. (2018). Byzantine-robust distributed learning: Towards optimal statistical rates. Proceedings of the 35th International Conference on Machine Learning, 5650–5659. PMLR. https://doi.org/10.48550/arXiv.1803.01498
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Валентина ПЛЕСКАЧ, Жилюк Ярослав
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
