计算机研究与发展

作者：金歌,魏晓超,魏森茂,王皓,

关键词：联邦学习, 众包, 同态加密, 隐私保护机器学习, 分类,

随着企业、政府以及私人等数据资产的不断增加，机器学习领域对于图像等分类应用需求也随之不断增涨．为了应对各种实际的需求，机器学习即服务(machinelearningasaservice,MLAAS)的云服务部署思想逐渐成为主流．然而，基于云服务实现的应用往往会带来严重的数据隐私安全问题．FPCBC(federatedlearningprivacy-preservingclassificationsystembasedoncrowdsourcingaggregation)是一种基于众包聚合的联邦学习隐私保护分类系统．它将分类任务众包给多个边缘参与方并借助云计算来完成，不再使用联合训练理想模型的方式来得到可信度高的分类结果，而是让参与方先根据本地有限数据训练出的模型进行推理，然后再使用成熟的算法对推理结果聚合得到较高准确率的分类．重要的是，保证了数据查询方不会泄露任何隐私数据，很好地解决了传统MLAAS的隐私安全问题．在系统实现中，使用同态加密来对需要进行机器学习推理的图像数据加密；改善了一种众包的联邦学习分类算法，并通过引入双服务器机制来实现整个系统的隐私保护计算．通过实验和性能分析表明了该系统的可行性，且隐私保护的安全程度得到了显著提升，更适用于实际生活中对隐私安全需求较高的应用场景.

来源：2022年第11期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2022年第11期