联邦学习研究综述笔记-编程知识

联邦学习

联邦学习的定义：联邦学习是一种分布式机器学习架构，包含多个客户端（参与者）和一个聚合服务器。
客服端（参与方）：在本地使用自己的私有数据训练模型，训练完成之后将模型的参数（权重、梯度等）发送给聚合服务器。
聚合服务器：负责聚合客服端发送来模型的参数，将聚合后的全局模型发送给客服端。客户端用自己的私有数据训练同步后的模型, 开始新一轮的训练。
联邦学习可以分为三种：
1.横向联邦学习：适合于多个客服端的数据集拥有相同的数据特征和标签，但样本不同的情况。例如，不同区域的银行之间，用户不同，所以样本空间不同，而银行关注的数据特征和标签又是相同的。
2.纵向联邦学习：适用于多个客服端的数据集具有相同的样本空间, 但数据的特征和标签不同的情况。例如，同一个区域的银行和电力公司，二者的用户是一样的，所以样本空间相同，而银行和电力公司关注的数据特征和标签又不相同。
3.联邦迁移学习：适用于多个客服端的数据特征不同、标签不同、样本空间不同的情况。例如，位于中国的银行和位于美国的电力公司，他们拥有的数据特征、标签、样本空间都不同
联邦学习的三个阶段：数据收集阶段、模型训练阶段、推理阶段
1. 数据收集阶段：各个客户端（参与方）在本地准备用于训练的私有数据，包括数据收集、参与方之间数据格式的协商等
2. 模型训练阶段：客户端利用私有数据训练局部模型，聚合服务器聚合梯度并下发全局模型，迭代训练直到模型收敛。
3. 推理阶段：部署训练好的模型，输入真实样本进行预测。在纵向联邦学习中，由于每个用户拥有一部分模型。在推理阶段，需要各个用户相互合作公共完成推理。

横向联邦学习步骤

在这里插入图片描述

由聚合服务器选定目标模型的结构和超参数, 并初始化模型的权重, 生成初始的全局模型。
聚合服务器通过广播或和客服端主动下载的方式, 将聚合服务器上当前全局模型共享给所有参与方。
客服端使用本地的私有数据训练模型，并将训练完的模型参数通过加密、差分隐私或秘密共享的方式，传输给聚合服务器
聚合服务器在不知道任何客服端的私有数据的情况下，使用聚合算法（FedAvg、Krum、Trimmed-mean和Median）进行安全聚合，更新全局模型。
聚合服务器将更新后的全局模型，发送给客服端（发送的什么？权重？还是梯度？）
客户端收到数据之后，更新自己的模型，开始新一轮的训练。

纵向联邦学习步骤

在这里插入图片描述

第一步：系统加密对齐样本，防止客服端的私有数据泄密
第二步：在客户端使用对齐样本，对模型加密训练
1. 合作者C创建秘钥对，并向A和B发送C的公钥，用于加密传输的数据
2. A和B分别计算和自己相关的特征中间结果，并加密交互，用来求得各自梯度和损失
3. A和B分别计算各自加密后的梯度并添加掩码发送给C，同时B计算加密后的损失发送给C
4. C解密并将解密后的梯度和损失返回给A和B。A和B解密梯度并更新模型参数。

联邦学习优化

隐私保护：在联邦学习中，多个参与方使用私有数据共同训练全局模型。采用合适的隐私保护机制（差分隐私、多方安全聚合等），保护参与方的数据隐私尤为重要。
通信效率：在联邦学习中，多个参与方要与聚合服务器频繁的交换模型参数、梯度等信息。为了提高通信效率，可以使用压缩、量化、稀疏化等技术降低通信数据量。
模型聚合：在联邦学习中，聚合服务器需要聚合各个参与方的梯度，进行汇聚生成全局模型。因此，聚合算法尤为重要，平衡各参与方的贡献度和数据分布差异。
非独立同分布（Non-IID）数据：在联邦学习中，参与方的数据通常是非独立同分布的，这可能导致模型的性能下降。因此，需要采用一些方法，如样本对齐、模型个性化等，以解决非IID数据带来的问题。
安全性：在联邦学习中，要保护模型免受恶意攻击和对抗性攻击，如模型篡改、模型逆向工程等。安全性是保证联邦学习可靠性的重要因素。

联邦学习的安全属性

完整性：联邦学习的完整性可以根据数据收集阶段和模型训练阶段，划分为两种。
1. 数据集完整性：在数据收集阶段中，参与方的数据集没有攻击者篡改。
2. 训练完整性：在模型训练阶段，参与方、聚合服务器都严格按照联邦学习的协议训练模型。
可用性：联邦学习的可用性可以根据模型训练阶段和推理阶段，划分为两种。
1. 训练可用性：在模型训练阶段，能够在一定时间内完成模型训练。包含两个方面：一是收敛性，模型能在可接受的训练轮次内到达收敛的状态。二是合作公平性，每个参与方会用自己私有数据集，对模型进行训练。用户能够依据自身对模型的贡献，获得公平的补偿。这些补偿包括奖励计算资源、数据访问权限等，以激励用户更积极将自己私有数据，用于模型训练和更新过程。
2. 模型可用性：在推理阶段，部署的模型对真实样本预测的准确性和公平性。其中，公平性是指模型不会因为某些属性，偏袒或歧视某个特定的个体或群体。
机密性：参与方的私有数据、全局模型的敏感参数不会泄露给非授权的用户。

联邦学习中的攻击手段

联邦学习的不同阶段受到的攻击不同，大概可以分为两大类：
1. 对抗性攻击（安全威胁）：以破坏联邦学习的完整性和可用性，影响模型收敛的速度和推理的结果。
2. 非对抗性攻击（隐私威胁）：攻击者窃取隐私数据，以破坏联邦学习的机密性

数据收集阶段的攻击手段

数据收集阶段的对抗性攻击包括：数据投毒攻击、女巫攻击
1. 数据投毒：在数据收集阶段，攻击者控制部分参与方，通过插入有害或恶意数据，破坏数据集完整性。此外，数据投毒还可以根据攻击者对参与方的数据集标签操作不同，分为脏标签攻击和清洁标签攻击。脏标签攻击会篡改数据集标签，例如标签翻转攻击。清洁标签攻击不会篡改数据集标签，仅会在数据集中插入恶意样本数据。可以用数据消毒防御。
2. 女巫攻击：攻击者控制多个虚假身份，从而利用这些身份配合攻击，以增加攻击隐蔽性和攻击效果。女巫攻击常用于数据投毒。
数据收集阶段的非对抗性攻击包括样本ID隐私泄露

模型训练阶段的攻击手段

模型训练阶段的对抗性攻击包括：模型投毒攻击、通信瓶颈攻击、塔便车攻击、基于GAN的攻击
1. 模型投毒：在模型训练阶段，攻击者控制部分参与方，对上传的局部模型进行篡改，实现对全局模型的控制，破坏训练完整性。
2. 通信瓶颈攻击：在模型训练阶段，大量的参与方需要与聚合服务器频繁的进行交换信息，而从产生大量的通信开销。其次，攻击者可能通过破坏信道来影响联邦学习系统的稳定性和鲁棒性。
3. 搭便车攻击：在模型训练阶段，恶意参与方可能会选择不诚实地报告自己的本地梯度或模型参数，以便在全局模型更新中获得更多的好处。由于恶意方不提供有价值的局部模型信息，不会为全局模型的改进做出任何贡献，从而导致全局模型的准确性和性能下降、数据和计算资源的浪费。
4. 基于GAN的攻击：生成对抗网络（GAN）是一种深度学习模型，由一个生成器和一个判别器组成。生成器从潜在空间随机取样作为生成样本，生成样本要接近训练集中的真实样本。判别器的输入则为真实样本或生成样本，其目的是将生成样本和真实样本。生成器和判别器相互对抗、不断学习，最终目的使得判别器无法判断生成器的输出结果是否真实。攻击者可以使用生成对抗网络（GAN）生成对抗性样本，对本地模型的输入进行微小修改，使得模型产生错误的输出，从而导致联邦学习中的模型性能下降或信息泄露。
模型训练阶段的非对抗性攻击包括推理攻击，推理攻击可分为成员推理和属性推理。成员推理是指攻击者推理判断某个样本数据，是否用于训练模型，从而造成用户敏感隐私数据的泄密。属性推理是指攻击者推理判断训练数据集的特征信息，例如性别区分，年龄分布等。

推理阶段的攻击手段

推理阶段的对抗性攻击包括对抗样本攻击，即攻击者生成带有错误标签的对抗样本，导致模型输出错误预测结果。按照攻击者掌握的信息，可以将对抗样本攻击分为白盒攻击和黑盒攻击。在百盒攻击中，攻击者知道模型参数、机器学习算法等信息，并且可以这些信息去构造对抗样本。在黑盒攻击中，攻击者不知道模型参数、机器学习算法等信息，通过与系统交互构造对抗样本。
推理阶段的非对抗性攻击包括：模型提取攻击、推理攻击
1. 模型提取攻击：在推理阶段，攻击者与系统交换信息，并通过已知的信息，构造出全局模型。特别在纵向联邦学习（VFL）中，由于每个参与方都关注的特征不一样，所以模型提取攻击会导致用户的敏感私有数据泄密。

联邦学习中的防御手段

提升联邦学习的鲁棒性的方法

鲁棒性：系统或者算法在不同的情况下，仍能够保持稳定和可靠的能力。具体来说，在面对一些意外或异常情况时，鲁棒性强的系统或算法能够保持其功能和性能，而不会因为这些异常情况而崩溃或失效。
数据消毒：对训练数据集中有害的、异常的数据进行清洗，可以防御数据投毒。但是数据消毒需要访问参与方的私有数据，无发保证数据的隐私性。
鲁棒性聚合：综合多个模型的预测结果，以提高整体的准确性和稳定性。以降低数据中的噪声、异常值或其他干扰因素对模型性能的影响。联邦学习中，鲁棒性聚合可分为三类。
1. 基于统计特征和相似性的鲁棒性聚合：在联邦学习中，恶意方上传的更新会偏离正常更新，所以越离散的更新越有可能是恶意更新。在聚合服务器聚合时，可以采用某些方法绕过离散的更新，例如依赖于统计特征（中值、平均值、欧式举例），或者依赖于相似性，以提升模型的鲁棒性。
2. 基于局部模型性能的鲁棒性聚合：通过在聚合服务器提供的良性辅助数据集，对每个局部模型上传的更新的优劣进行评估，依据评估的结果来分配聚合的权重，或丢弃对准确性产生负面影响的更新。
3. 基于训练函数优化的鲁棒性聚合：在模型的损失函数上加上正则项，以限制于全局模型偏离太多的局部模型，从而优化全局模型。
异常检测：使用统计和分析方法，对模型的训练模式、数据集或相关事件进行检测，以找到不符合预期的模式、异常行为或异常数据。目前，异常检测可以分为客服端异常检测（在客服端上，使用一种基于某种数学算法来检测异常防御方法）和数据集异常检测（把检测数据集中离群带点，或者远离正常数据特征的数据，作为异常数据）。
对抗训练：通过使用对抗样本来训练机器学习模型，提高模型对潜在攻击的抵抗力，以可以防止恶意用户对模型进行攻击和窃取隐私数据。
知识蒸馏：将大模型相关知识逐递到小模型中，并从这些知识中学习有用信息，来指导小模型训练，使小模型具备和大模型相当的性能。

提升联邦学习的隐私性的方法

同态加密（HE）：是一种不访问数据本身而实现的加密技术，基于数学难题的计算复杂性理论。它允许对加密数据进行计算，然后再解密，得到与未加密数据相同的计算结果。若同态加密算法支持对密文进行任意形式，或任意次数的计算，则称之为全同态加密（FHE）。若同态加密算法只支持对密文的乘法计算或加法计算，则称之为半同态加密（AHE）。同时，支持加法的称之为加法同态加密，支持乘法的称之为乘法同态加密（MHE）。
安全多方计算（SMPC）：在一组互不信任的参与方中，各自持有秘密数据，协同计算一个既定函数或者训练一个模型。同时保证参与方获得正确计算结果，且无法获得计算结果之外的任何信息。在联邦学习中，安全多方计算可以分为基于加法秘密分享的隐私性增强、基于Shamir秘密分享的隐私性增强和多种技术组合的隐私性增强。
差分隐私：在参与方发送的梯度更新中，加入随机噪声，以保护用户数据的隐私。可以用于防御模型提取攻击、成员推理攻击、基于GAN的攻击等，但会造成模型的准确性降低。
区块链：区块链是一种去中心化存在架构，可以将区块链与密码学结合以增强联邦学习的完整性和隐私性。