[论文解读] Secure Communication Model For Quantum Federated Learning: A Post Quantum Cryptography (PQC) Framework

Dev Gurung, Shiva Raj Pokhrel+1 more|arXiv (Cornell University)|Apr 26, 2023

Cryptography and Data Security被引用 5

一句话总结

该论文提出了一种基于动态服务器选择和Dilithium签名方案的后量子密码学（PQC）保护的量子联邦学习（QFL）框架，以确保强不可伪造性和抗损能力。该模型实现了SUF-CMA安全性，收敛速率为$ O(1/ ext{sqrt}{T}) + O(1/ ext{lambda}^2) $，在MNIST数据集上的实验表明其通信开销极低，具备实际性能表现。

ABSTRACT

We design a model of Post Quantum Cryptography (PQC) Quantum Federated Learning (QFL). We develop a framework with a dynamic server selection and study convergence and security conditions. The implementation and results are publicly available1.

研究动机与目标

• 解决现有量子联邦学习（QFL）系统中缺乏后量子安全性的缺陷。
• 设计一种安全且动态的服务器架构，以抵御QFL中的单点故障攻击。
• 将PQC方案——特别是Dilithium——集成到QFL中，以确保对量子攻击者的长期安全性。
• 通过理论与实验方法，评估所提出的PQC-QFL框架的收敛性、安全性与通信开销。
• 证明在不造成显著性能下降的前提下，PQC在QFL中的可行性。

提出的方法

• 通过随机或基于声誉的分配方式实现动态服务器选择，以降低单点故障风险。
• 每个客户端使用其私钥$ sk_i $对本地模型参数$ w_i $应用PQC签名方案（Dilithium）生成签名$ \sigma_i $。
• 服务器使用相应的公钥$ pk_i $验证所有签名，过滤掉伪造或无效的更新。
• 将有效模型参数通过FedAvg聚合，形成全局模型$ w_g $，并发送回客户端。
• 在SGD算法下进行理论收敛性分析，迭代$ T $次，安全级别为$ \lambda $，得出收敛速率为$ n \cdot \{ O(1/\text{sqrt}{T}) + O(1/\text{lambda}^2) \} $。
• 安全性通过SUF-CMA（选择消息下强不可伪造性）形式化，其基础为模块LWE和模块SIS问题的困难性。

实验结果

研究问题

• RQ1 能否设计一种PQC保护的QFL框架，以抵御量子计算驱动的伪造攻击与中间人攻击？
• RQ2 与固定服务器的QFL架构相比，动态服务器选择在提升系统韧性方面有何优势？
• RQ3 在QFL中集成Dilithium等PQC方案对收敛速度与通信延迟有何影响？
• RQ4 PQC-QFL模型在非独立同分布数据分布（如MNIST）上能否保持较高的模型准确率？
• RQ5 在标准假设下，PQC-QFL模型的理论收敛速率是否可被界定并验证？

主要发现

• PQC-QFL模型通过Dilithium签名方案实现了SUF-CMA安全性，其安全性基于模块LWE与模块SIS问题的困难性。
• 理论分析表明，收敛速率为$ O(1/\text{sqrt}{T}) + O(1/\text{lambda}^2) $，其中$ T $为训练迭代次数，$ \lambda $为安全级别。
• 实验结果表明，训练准确率在2个周期后显著提升，表明在PQC开销下本地模型学习仍具有效性。
• 在非独立同分布的MNIST数据上，经过100轮通信后测试准确率约为55%，表明在数据异构性方面仍存在挑战。
• PQC签名与验证带来的通信时间开销极小——在纳秒量级——表明性能下降可忽略不计。
• Dilithium与Falcon在签名与验证性能上表现相近，而SPHINCS+引入了显著更高的延迟，需进一步优化。