[论文解读] Federated Learning with Quantum Secure Aggregation

Yichi Zhang, Chao Zhang+4 more|arXiv (Cornell University)|Jul 9, 2022

Quantum Information and Cryptography被引用 14

一句话总结

该论文提出了一种用于联邦学习的量子安全聚合（QSA）方案，利用纠缠的格林伯格-霍恩-蔡勒（GHZ）态来安全且高效地聚合本地模型参数，而无需泄露私有数据。该方案可对半诚实攻击者实现完美保密，通过量子力学即时检测中间人窃听行为，并在经典和量子神经网络上实现更低计算开销的全局模型性能提升。

ABSTRACT

This article illustrates a novel Quantum Secure Aggregation (QSA) scheme that is designed to provide highly secure and efficient aggregation of local model parameters for federated learning. The scheme is secure in protecting private model parameters from being disclosed to semi-honest attackers by utilizing quantum bits i.e. qubits to represent model parameters. The proposed security mechanism ensures that any attempts to eavesdrop private model parameters can be immediately detected and stopped. The scheme is also efficient in terms of the low computational complexity of transmitting and aggregating model parameters through entangled qubits. Benefits of the proposed QSA scheme are showcased in a horizontal federated learning setting in which both a centralized and decentralized architectures are taken into account. It was empirically demonstrated that the proposed QSA can be readily applied to aggregate different types of local models including logistic regression (LR), convolutional neural networks (CNN) as well as quantum neural network (QNN), indicating the versatility of the QSA scheme. Performances of global models are improved to various extents with respect to local models obtained by individual participants, while no private model parameters are disclosed to semi-honest adversaries.

研究动机与目标

• 解决在不损害效率的前提下，针对半诚实攻击者保护联邦学习中模型聚合的关键挑战。
• 开发一种基于量子力学的聚合协议，实现可证明的安全性与即时窃听检测能力。
• 展示基于量子的聚合在多种机器学习模型（包括经典和量子神经网络）中的可行性与性能优势。
• 与同态加密和差分隐私等经典方法相比，降低计算与通信开销。
• 为实际应用场景中具有隐私保护需求的量子增强联邦学习建立基础。

提出的方法

• QSA方案利用GHZ纠缠态将本地模型参数编码为量子比特，实现在量子信道上的安全传输与聚合。
• 采用基于GHZ态的量子秘密共享协议，确保任何窃听尝试都会导致量子态坍缩并被立即检测到。
• 通过约251次重复测量重建全局模型，实现高精度，且与测量次数保持线性复杂度。
• 参与方的本地模型被编码为量子态并传输至中心聚合器，后者通过联合测量恢复全局模型。
• 该框架支持集中式与去中心化联邦学习架构，实现灵活部署。
• 该方法兼容经典模型（如逻辑回归、卷积神经网络）与量子神经网络（QNN），支持在量子电路上并行处理批量数据。

实验结果

研究问题

• RQ1 是否可利用量子纠缠实现在联邦学习中对本地模型的安全高效聚合，而无需泄露私有参数？
• RQ2 与同态加密和差分隐私等经典安全聚合技术相比，所提出的QSA方案在安全性与效率方面有何差异？
• RQ3 在独立同分布（I.I.D.）与非独立同分布（non-I.I.D.）数据分布下，QSA在不同类型机器学习模型（包括QNN）上的全局模型性能可提升至何种程度？
• RQ4 QSA的计算与通信开销是多少？其随模型规模与测量精度如何扩展？
• RQ5 QSA协议能否实时检测并阻止窃听行为？其对半诚实与拜占庭攻击者的鲁棒性如何？

主要发现

• 所提出的QSA方案实现了完美保密，确保半诚实攻击者无法获取任何关于私有模型参数的信息。
• 由于纠缠量子态的坍缩，窃听行为可被立即检测，提供实时安全保证。
• 该方案在逻辑回归、卷积神经网络与量子神经网络上均表现出改进的全局模型性能，尤其在本地数据集较小时优势更明显。
• QSA的总计算复杂度随所需测量次数（约251次）线性增长，显著优于同态加密中密钥长度呈指数增长的方案。
• 该框架具有高度通用性，支持集中式与去中心化联邦学习架构，具备广泛适用性。
• 尽管QSA可检测基于量子信道的攻击，但无法防范经典模型投毒攻击；因此建议与Krum等经典拜占庭容错方法结合，以实现全面鲁棒性。