[논문 리뷰] When Crowdsensing Meets Federated Learning: Privacy-Preserving Mobile Crowdsensing System

Bowen Zhao, Ximeng Liu외 1명|arXiv (Cornell University)|2021. 02. 20.

Privacy-Preserving Technologies in Data참고 문헌 38인용 수 14

한 줄 요약

이 논문은 참여자 데이터를 수집 및 모델 훈련 중에 보호하기 위해 연합 학습을 통합한 프라이버시 보장형 모바일 커니시아싱 시스템인 CrowdFL을 제안한다. 새로운 프라이버시 보장형 연합 평균 알고리즘을 통해 로컬 모델 훈련과 암호화된 모델의 안전한 집계를 가능하게 함으로써, 데이터 프라이버시를 보장하면서도 버림 및 재전송 전략을 통해 통신 및 계산 오버헤드를 줄여 효율적이고 공정한 인cent라이브 분배를 실현하며, 실제 데이터를 활용한 실험 검증을 통과했다.

ABSTRACT

Mobile crowdsensing (MCS) is an emerging sensing data collection pattern with scalability, low deployment cost, and distributed characteristics. Traditional MCS systems suffer from privacy concerns and fair reward distribution. Moreover, existing privacy-preserving MCS solutions usually focus on the privacy protection of data collection rather than that of data processing. To tackle faced problems of MCS, in this paper, we integrate federated learning (FL) into MCS and propose a privacy-preserving MCS system, called extsc{CrowdFL}. Specifically, in order to protect privacy, participants locally process sensing data via federated learning and only upload encrypted training models. Particularly, a privacy-preserving federated averaging algorithm is proposed to average encrypted training models. To reduce computation and communication overhead of restraining dropped participants, discard and retransmission strategies are designed. Besides, a privacy-preserving posted pricing incentive mechanism is designed, which tries to break the dilemma of privacy protection and data evaluation. Theoretical analysis and experimental evaluation on a practical MCS application demonstrate the proposed extsc{CrowdFL} can effectively protect participants privacy and is feasible and efficient.

연구 동기 및 목표

• 신뢰할 수 없는 플랫폼이 수집한 참여자 데이터를 악용할 수 있는 모바일 커니시아싱의 프라이버시 문제를 해결하기 위해.
• 기존의 프라이버시 보장 솔루션들이 데이터 수집에만 초점을 맞추고 데이터 처리에는 초점을 두지 않는 한계를 극복하기 위해.
• 무선 네트워크에서 흔한 참가자 이탈에 대비해 시스템의 강건성을 향상시키기 위해.
• 모델 기여도에 기반해 참여자를 공정하게 보상하는 효율적이고 프라이버시 보장형 인센티브 메커니즘을 설계하기 위해.
• 분산형, 프라이버시 보장형 데이터 처리를 위한 모바일 커니시아싱에 연합 학습을 통합하기 위해.

제안 방법

• 원시 데이터나 모델 파라미터를 드러내지 않고 암호화된 로컬 훈련 모델의 안전한 집계를 가능하게 하는 프라이버시 보장형 연합 평균(PriFedAvg) 알고리즘을 제안한다.
• Paillier 암호 체계를 사용해 모델 업데이트를 암호화함으로써 전송 및 집계 중 기밀성을 확보한다.
• 참가자 이탈을 다루기 위해 버림 및 재전송 전략을 도입하여 통신 및 계산 오버헤드를 줄인다.
• 민감한 데이터를暴露하지 않고 모델 기여도를 평가할 수 있는 프라이버시 보장형 게시 가격 설정 메커니즘(PriRwd)을 설계한다.
• 참가자 이탈 시 모델 파라미터의 부분적 복구를 가능하게 하기 위해 비밀 분할 및 임계값 복호화 기법을 사용한다.
• 개인 키를 드러내지 않고 글로벌 모델을 안전하게 복호화할 수 있도록 프라이버시 보장형 임계값 복호화 계산(PCTD)을 활용한다.

실험 결과

연구 질문

• RQ1 어떻게 연합 학습을 모바일 커니시아싱에 효과적으로 통합하여 데이터 처리 중 참여자의 프라이버시를 보장할 수 있는가?
• RQ2 민감한 정보를暴露하지 않고 암호화된 모델 업데이트의 안전하고 효율적인 집계를 보장할 수 있는 메커니즘은 무엇인가?
• RQ3 참가자 이탈을 프라이버시 보장 방식으로 완화하여 시스템의 강건성을 유지할 수 있는가?
• RQ4 모델 품질에 기반해 개인 정보를 泄露하지 않고 공정하고 프라이버시 보장형 인센티브 메커니즘을 설계할 수 있는가?
• RQ5 기존의 프라이버시 보장형 연합 학습 접근 방식에 비해 제안된 시스템은 효율성과 보안성에서 어떻게 비교되는가?

주요 결과

• CrowdFL은 참가자별 가중치 계산을 피하기 때문에 PPFDL 대비 모델 평균 계산의 계산 비용을 약 50% 감소시킨다.
• CrowdFL의 암호화 오버헤드는 극히 미미하며, 전체 모델가 아니라 모델 업데이트 차이 δi만 암호화되기 때문이다.
• 큰 λp를 사용할 경우 CrowdFL의 복호화 시간은 PPFDL의 약 두 배이지만, λsp=2로 설정하면 PPFDL 이하로 줄일 수 있다.
• 보상 분배 메커니즘(PriRwd)은 모델 평균 계산과 비슷한 시간 내에 실행되어 높은 효율성을 보였다.
• 실제 데이터를 활용한 실험 평가를 통해 CrowdFL의 실현 가능성, 효율성, 강력한 프라이버시 보장을 확인했다.
• 시스템은 데이터 泄露를 효과적으로 방지하고, 개인 정보나 모델 파라미터를暴露하지 않은 채 공정한 보상 분배를 지원한다.