一种保护数据隐私的匿名路由联邦学习框架.pdfVIP

技术研究2025年第3期

doi：10.3969/j.issn.1671-1122.2025.03.011

一种保护数据隐私的匿名路由联邦学习框架

李佳东，曾海涛，彭莉，汪晓丁

（福建师范大学计算机与网络空间安全学院，福州350117）

摘要：联邦学习作为一种分布式机器学习框架，能够在不共享训练数据的前提下，

实现多方参与者协同训练全局模型，从而有效确保客户端数据隐私安全。然而，联邦

学习仍面临模型参数泄露风险和通信过程中的身份隐私威胁。针对上述问题，文章提

出一种保护数据隐私的匿名路由联邦学习框架（SecFL），旨在确保联邦学习模型中的

参数安全与可信传输。SecFL设计了一种组配对洋葱路由协议，基于配对的密码学对数

据进行分层加密，并引入“组”的概念，使组内所有节点能够解密相应层，从而在保

证消息机密性和安全性的同时提升系统匿名性。实验结果表明，SecFL在匿名路由性

能与安全防护效果方面均显著优于传统方案。相较于洋葱路由和广播匿名路由，SecFL

在更短时间内使消息传递率达到100%，源节点和目的节点的匿名性分别提升了3.9%

和1.9%。在50%节点遭受攻击的情况下，路径匿名性指标最多提升了24.8%。此外，

SecFL框架在联邦学习中的收敛性能也较好。

关键词：联邦学习；洋葱路由；匿名通信；隐私保护

中图分类号：TP309文献标志码：A文章编号：1671-1122（2025）03-0494-10

中文引用格式：李佳东，曾海涛，彭莉，等.一种保护数据隐私的匿名路由联邦学习框架[J].信息网络安全，

2025，25（3）：494-503.

英文引用格式：LIJiadong,ZENGHaitao,PENGLi,etal.AnAnonymousRoutingFederatedLearningFramework

forDataPrivacyProtection[J].NetinfoSecurity,2025,25(3):494-503.

AnAnonymousRoutingFederatedLearningFrameworkforData

PrivacyProtection

LIJiadong,ZENGHaitao,PENGLi,WANGXiaoding

(CollegeofComputerandCyberSecurity,FujianNormalUniversity,Fuzhou350117,China)

Abstract:Federatedlearningisadistributedmachinelearningframeworkthatenables

multipleparticipantstocollaborativelytrainaglobalmodelwithoutsharingtheirtraining

data,therebyeffectivelyprotectingclientdataprivacy.However,federatedlearningstill

facesrisksrelatedtomodelparameterleakageandidentityprivacyduringcommunication.

Toaddresstheseissues,ananonymousroutingfederatedlearningframeworkfordata

pri