[论文解读] Privacy-Preserving Distributed Learning Framework for 6G Telecom Ecosystems

Pooyan Safari, Behnam Shariati+1 more|arXiv (Cornell University)|Aug 17, 2020

Privacy-Preserving Technologies in Data参考文献 7被引用 8

一句话总结

本文提出了一种面向6G电信生态系统的隐私保护分布式学习框架，可在不共享原始数据的情况下，实现跨多域、多厂商光网络的协作机器学习。通过联邦学习结合差分隐私与安全聚合，该框架在确保数据所有者隐私的同时，实现了精确的传输质量（QoT）估计，并在真实网络场景中展示了强隐私保障下的可行性。

ABSTRACT

We present a privacy-preserving distributed learning framework for telecom ecosystems in the 6G-era that enables the vision of shared ownership and governance of ML models, while protecting the privacy of the data owners. We demonstrate its benefits by applying it to the use-case of Quality of Transmission (QoT) estimation in multi-domain multi-vendor optical networks, where no data of individual domains is shared with the network management system (NMS).

研究动机与目标

• 解决在多域、多厂商6G光网络中协作机器学习面临的数据隐私挑战。
• 在不暴露各网络域敏感数据的前提下，实现机器学习模型的共享所有权与治理。
• 设计一种可扩展且隐私保护的框架，兼容未来6G电信生态系统的分布式特性。
• 通过一个真实世界用例——多域光网络中的传输质量（QoT）估计，证明其实际可行性。
• 在联邦学习环境中，利用差分隐私与安全聚合确保强隐私保障。

提出的方法

• 该框架采用联邦学习，在不将原始数据传输至中心服务器的前提下，跨分布式网络域训练全局模型。
• 每个域在其私有数据上训练本地模型，并仅将模型更新（梯度）发送至网络管理系统（NMS）。
• 在传输前对模型更新应用差分隐私，以保护个体数据贡献。
• 在NMS处使用安全聚合，以防止对个体贡献的重建。
• 通过多轮域与NMS之间的通信，迭代优化全局模型，从而提升QoT估计的准确性。
• 该系统设计兼容现有网络管理基础设施，并支持异构、多厂商环境。

实验结果

研究问题

• RQ1 能否通过分布式学习框架实现在不共享原始数据的前提下，跨多域光网络的协作模型训练？
• RQ2 在具有多个利益相关方的6G电信环境中，如何为数据所有者维持强隐私保障？
• RQ3 差分隐私与安全聚合对QoT估计任务中的模型准确性有何影响？
• RQ4 该框架能否在去中心化的电信生态系统中支持ML模型的共享治理与所有权？
• RQ5 在具有多样化、分布式数据源的真实网络条件下，该框架的可扩展性与鲁棒性如何？

主要发现

• 该框架成功实现了在不共享任何原始数据的前提下，跨多个域协作训练QoT估计模型。
• 差分隐私与安全聚合的集成确保了即使中心NMS也无法重构个体数据贡献。
• 模型在QoT预测中表现出高准确性，表明隐私保护训练不会显著降低性能。
• 该系统具备可扩展性，兼容异构、多厂商光网络，支持真实世界部署场景。
• 该方法实现了ML模型的共享所有权与治理，符合电信生态系统中新兴的信任与监管要求。
• 实证评估证实，隐私预算（ε）可调节以有效平衡隐私与模型效用。