Encyclopedia
Please note this is an old version of this entry, which may differ significantly from the current revision.
在移动边缘计算中，不同设备之间的数据共享和分析对社会创新和发展具有重要价值。实现这一目标的局限性在于数据隐私风险。因此，现有研究主要集中在增强数据隐私保护能力上。一方面，通过联邦学习将原始数据转换为模型参数进行传输，避免了直接的数据泄露。另一方面，通过隐私保护技术进一步增强联邦学习的安全性，以防御推理攻击。
- mobile edge computing
- privacy protection
- differential privacy
1. 引言
随着移动边缘计算 （MEC） 的兴起，各种传感器、控制器和智能设备正在生成大量数据 [1]。在万物互联时代，数据利用是实现创新、推动增长和解决重大挑战的关键[2]。通过数据挖掘，研究人员可以揭示隐藏的模式、趋势和相关性。这些信息有助于我们做出最佳决策，例如，在医疗领域对疾病进行精确诊断和治疗，或在城市规划中优化交通流量和资源配置。显然，数据的综合利用可以带来巨大的价值和效益[3]。
但是，通常很难从单个用户的数据中获取价值。需要更多的用户数据参与分析和细化，以获得全面的信息[4]。在传统的集中式机器学习中，数据通常集中存储在集中式服务器中。这导致了孤立的数据孤岛效应，即数据无法得到充分利用和共享。同时，由于用户敏感个人数据的集中化，数据隐私保护已成为一个关键问题[5]。在移动边缘计算场景中，来自移动设备的数据通常不应与他人共享。因此，打破孤立的数据孤岛，确保数据隐私是当前面临的一个问题[6]。
联邦学习（FL）[7]作为一种基于密码学和机器学习的新技术范式，可以在没有本地数据的情况下实现信息挖掘。它可以将分布在不同移动设备中的数据联合起来，并将它们训练成一个具有更全面信息的统一全球模型。因此，它解决了孤立的数据孤岛问题。客户端和服务端通过模型参数与数据信息进行交互，而不共享原始数据，提高了数据隐私性[8]。
然而，联邦学习也会导致一些安全和隐私风险[9]。主要威胁之一是模型推理攻击。尽管通信是通过模型参数进行的，但Zhu等[10]发现，交换的模型参数也可能泄露有关训练数据的私人信息。他们证明，原始训练数据，包括图像和文本数据，可以从梯度中推断出来。这给基于联邦学习的数据隐私保护技术带来了新的挑战。
2. 移动边缘计算中的隐私保护
现有研究通过结合多种隐私保护技术来增强联邦学习的安全性，主要包括同态加密（HE）、安全多方计算（SMPC）和差分隐私（DP）[11]。大量研究表明，联邦学习与这些隐私保护技术的结合可以提供足够强大的安全性。
Fang等[12]提出了一种多方隐私保护机器学习框架，名为PFMLP，部分基于HE和联邦学习。在实现训练准确性的同时，也提高了训练效率。Xu等[13]提出了一种将HE应用于IoT-FL场景的隐私保护方案，该方案与当前的物联网架构具有较强的适应性。Zhang等[14]提出了一种隐私增强联邦学习（PEFL）方案来保护不受信任的服务器上的梯度。这主要是通过使用Paillier同态密码系统加密参与者的局部梯度来实现的。HE方法可以提高联邦学习的安全性，尽管它会导致很大的计算负载。这对移动边缘计算场景中设备有限的可计算性提出了挑战。
Kalapaaking等[15]提出了一种联邦学习框架，该框架结合了基于SMPC的聚合和加密推理方法。该框架维护数据和模型隐私。Houda等[16]提出了一种名为MiTFed的新框架，该框架允许多个软件定义网络（SDN）域在不共享其敏感数据集的情况下协同构建全局入侵检测模型。该方案结合了SMPC技术，可以安全地聚合本地模型更新。Sotthiwat等[17]提出对模型参数（梯度）的关键部分进行加密，以防止梯度攻击导致深度泄漏。Fereidooni等[18]提出了SAFELearn，这是一种用于高效私有联邦学习系统的通用设计，可防止推理攻击。此外，最近关于秘密共享技术作为一种SMPC的研究[19,20,21]也有望实现联邦学习和数据共享的安全性。上述研究实现了模型的安全构建，但无法承受大量参与者的通信开销。
差分隐私技术是避免计算负载和通信开销的好方法。Wang等[22]提出了一种基于联邦学习和端边云计算的协同过滤算法推荐系统。通过DP技术在训练模型中加入拉普拉斯噪声，进一步防止了私有数据的暴露。Wei等[23]提出了一种基于DP的新型框架NbAFL，在聚合之前，将人工噪声添加到客户端的参数中。Zhao等[24]提出了一种用于工业大数据挖掘的匿名和隐私保护联邦学习方案，该方案利用了共享参数上的差分隐私。他们还测试了不同隐私级别对准确性的影响。Adnan等[25]进行了一个案例研究，将差分私有联邦学习框架应用于组织病理学图像的分析，组织病理学图像是最大且可能最复杂的医学图像。他们的工作表明，差分私有联邦学习是医学图像分析中机器学习模型协作开发的可行且可靠的框架。但是，这些作品的 DP 隐私级别是固定的，因此它无法适应动态变化的参与聚合客户端集。特别是，具有固定隐私级别的非 IID 数据分发可能会减慢 FL 模型训练的速度以达到预期的准确性。
综上所述，隐私级别可调的DP技术显然更适合于移动边缘计算中联邦学习的隐私保护。
This entry is adapted from the peer-reviewed paper 10.3390/e25111551
This entry is offline, you can click here to edit this entry!
