基于安全多方计算的隐私保护联邦学习系统设计与恶意参与方检测.docxVIP

PAGE2

基于安全多方计算的隐私保护联邦学习系统设计与恶意参与方检测

摘要

随着数据隐私法规的日趋严格和人工智能对数据依赖的加深，如何在保护数据隐私的前提下实现多方协同训练成为信息安全领域的核心挑战。本课题设计并实现了一个基于安全多方计算（MPC）的隐私保护联邦学习系统，并集成恶意参与方检测机制，旨在解决传统联邦学习面临的梯度泄露风险与恶意参与者污染模型的问题。

论文首先分析联邦学习中的隐私泄露与攻击威胁，明确系统需同时保障数据机密性、模型完整性与训练可用性。随后，采用秘密共享、混淆电路等MPC技术构建安全聚合协议，使中心服务器在无法获取单方梯度的前提下完成全局模型更新；同时，设计基于梯度分布式一致性验证与信誉评分的恶意检测算法，有效识别投毒攻击与拜占庭行为。

全文按照“需求分析→总体设计→详细设计→实现→测试”的工程递进思路展开。系统划分为客户端安全模块、MPC聚合服务器、恶意检测引擎、参数管理与调度模块等部分。核心创新在于将MPC与联邦学习深度融合，在不依赖可信第三方的前提下实现隐私保护，并引入双阶段检测机制，在安全聚合过程中同步检验参与方行为，较传统方案降低了通信开销并提升了检测准确率。经功能测试与性能测试，系统在真实数据集上模型精度损失小于1.5%，恶意参与方检测率达96%以上，验证了设计的有效性与实用性。

第一章绪论

1.1研究背景

联邦学习作为一种分布式机器