{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{“日期-部件”：[[2024,9,1]]，“日期-时间”：“2024-09-01T05:04:20Z”，“时间戳”：1725167060012}，“引用-计数”：30，“发布者”：“MDPI AG”，“问题”：“2”，“许可证”：[{“开始”：{'日期-部件“：[2022,1,17]]，”日期-时间“：”2022-0 1-17T00:00:00Z“，”时间戳“：16423776000000}，“content-version”：“vor”，“delay-in-days”：0，“URL”：“https:\/\/creativecommons.org\/licenses\/by\/4.0\/”}]，“资助者”：[{“name”：“国家重点研发计划”，“奖项”：[“2020YFB1807805”]}，{“DOI”：“10.13039\/501100001809”，“name”:“国家自然科学基金会”，“DOI-asserted-by”：“publisher”，“award”：[”6217104040 9“]，”id“：[{”id“：“10.13039\/501000001809”，“id-type”：“DOI”，“asserted-by”：“publisher”}]}]，“content-domain”：{“domain”:[]，“crossmark-restriction”：false}，“short-container-title”：[“Sensors”]，“abstract”：“作为一种有前途的隐私保护机器学习技术，联邦学习使多个客户端能够通过共享模型参数来训练联合全局模型。然而，效率低下和易受中毒攻击的影响显著降低了联合学习性能。为了解决上述问题，我们提出了一个动态异步反中毒联合深度学习框架，以追求效率和安全性。本文提出了一种考虑平均频率控制和联邦学习参数选择的轻量级动态异步算法，以加快模型平均并提高效率，使联邦学习能够自适应地消除计算能力低、信道条件差、，或异常参数。此外，为了提高中毒攻击的安全性，提出了一种新的局部可靠性互评估机制，该机制使联合学习能够检测中毒攻击的异常参数，并根据评估得分调整模型内聚合的权重比例。在三个数据集上的实验结果表明，我们的设计可以减少30%的训练时间，并且对典型的中毒攻击具有显著的鲁棒性，验证了我们方案的适用性<\/jats:p>“，”DOI“：”10.3390\/s22020684“，”type“：”journal-article“，”created“：{”date-parts“：[2022,1,18]]，”date-time“：”2022-01-18T01:49:21Z“，”timestamp“：1642470561000}，”page“：前缀“：”10.3390“，“卷”：“22”，“作者”：[{“给定”：“遵明”，“家族”：“陈”，“序列”：“第一”，“隶属关系”：[}“名称”：“北京邮电大学网络与交换技术国家重点实验室，中国北京100876”}]}，{“给出”：“红颜”，“家庭”：“崔”，“顺序”：“附加”，“附属关系”：北京邮电大学信息与通信工程学院，北京100876给定“：”Xi“，”family“：”Yu“，”sequence“：”additional“，”affiliation“：[{”name“：”北京邮电大学信息与通信工程学院，北京100876“}]}]，”member“：”1968“，”published-online“：{”date-parts“：[2022,1,17]]}，”reference“：[}”key“：”ref_1“，”unstructured“：”Lueth，K.（20212001年12月1日）.物联网2020现状：物联网设备数量目前处于7b级市场加速增长。在线访问：https:\/\/iot-analytics.com/state-of-the-iot-2020-120亿iot-connections-excepting-non-iot-for-the-first-time\/。“}，{”key“：”ref_2“，”doi-asserted-by“：”crossref“，”first-page“：”269“，”doi“：”10.1109\/TWC.2020.3024629“，”article-title“：”无线网络联合学习与通信框架“，”volume“：“20”，”author“：”Chen“，”year“：”2021“，”journal-title”：“IEEE Trans.Wirel.Comun.”}，”{“key”：“ref_3”，”doiasserted-by，“首页“：”1205“，”DOI“：”10.1109\/JSAC.2019.2904348“，”article-title“：”资源受限边缘计算系统中的自适应联合学习“，”volume“：”37“，”author“：”Wang“，”year“：”2020“，”journal-title”：“IEEE J.Sel。公共区域。“}，{”key“：”ref_4“，”doi-asserted-by“：”crossref“，”unstructured“：”Nishio，T.和Yonetani，R.（2019年1月20日\u201324）。移动边缘中异构资源联合学习的客户端选择。ICC 2019-2019 IEEE国际通信会议（ICC）会议记录，中国上海。“，”doi“：”10.1109\/ICC.2019.8761315“}”，{“key“：”ref_5“，”doi-asserted-by“：”crossref“，”unstructured“：”Yang，Y.，Hong，Y.and Park，J.（2021）。用于无线回程联合学习的具有自适应功率分配的高效梯度更新策略。传感器，21.“，”DOI“：”10.3390\/s21206791“}，{“key”：“ref_6”，“DOI-asserted-by”：“crossref”，“首页”：“2134”，“DOI”：“10.1109\/TII.2019.2942179”，”article-title“：”城市信息学中移动边缘计算的差异私有异步联合学习“，”volume“：”16“，”author“：”Lu“，“year”：“2019”，“journal-title”：“IEEE Trans.Ind.Inform.”}，“”key“：”ref_7“，”unstructured“：”Bagdasaryan，E.，Veit，A.，Hua，Y.，Estrin，D.，and Shmatikov，V.（2020年，2013年1月3日）。如何借壳联合学习。《人工智能和统计国际会议论文集》，意大利巴勒莫。“}，{”key“：”ref_8“，”unstructured“：”Shen，S.、Tople，S.和Saxena，P.（2016年1月5日\u20138）。Auror:防御协作式深度学习系统中的中毒攻击。第32届计算机安全应用年会论文集，美国加利福尼亚州洛杉矶“}”，{“key”：“ref_9”，“unstructure”：“”Fung，C.、Yoon，C.J.和Beschatnikh，I.（2020年）。缓解联合学习中毒中的西比尔。arXiv公司。“}，{”key“：”ref_10“，”unstructured“：”Blanchard，P.，el Mhamdi，E.M.，Guerraoui，R.，and Stainer，J.（2017年1月4日\u20139）。对手的机器学习：拜占庭容忍梯度下降。第31届神经信息处理系统国际会议论文集，美国加利福尼亚州长滩“}”，{“key”：“ref_11”，“doi-asserted-by”：“”crossref“，”first page“：”106854“，”DOI“：”10.1016\/j.cie.2020.106854”，”article-title“：”联合学习应用综述“，”volume“：“149”，”author“：”Li“，“year”：“2020”，“journal-title”：“Compute”。Ind.Eng.“}，{”key“：”ref_12“，”doi-asserted-by“：”crossref“，”first page“：“156”，”doi“：”10.1109\/MNET.2019.1800286“，”article-title“：”Inedge ai:“通过联合学习智能化移动边缘计算、缓存和通信”，“volume”：“33”，“author”：“Wang”，“year”：“2019”，“journal-title”：“IEEE Netw.”}，”{“key”:“ref_13”，“unstructured”：“”Jeong，E.、Oh，S.、Kim，H.、Park，J.、Bennis，M.和Kim，S.-L.（2019年）。通信高效的设备上机器学习：非iid私有数据下的联合蒸馏和增强。arXiv公司。“}，{”key“：”ref_14“，”unstructured“：”Caldas，S.，Kone\u010dny，J.，McMahan，H.B.，and Talwalkar，A.（2019）。通过减少客户资源需求扩大联合学习的范围。arXiv.“}”，{journal-title“：”ACM事务处理。智力。系统。Technol公司。（TIST）“}，{“key”：“ref_16”，“unstructured”：“Li，T.，Sahu，A.K.，Zaheer，M.，Sanjabi，M.、Talwalkar，A.和Smith，V.（2021）.异构网络中的联合优化.arXiv.”}，“key“：”ref_17“，“unsructuredkey”：“ref_18”，“非结构化”：“Lian，X.，Zhang，W.，Zhang，C.和Liu，J.（2018年1月10日\u201315）。异步分散并行随机梯度下降。第35届机器学习国际会议论文集，瑞典斯德哥尔摩。“}，{”key“：”ref_19“，”unstructured“：”Zheng，S.，Meng，Q.，Wang，T.，Chen，W.，Yu，N.，Ma，Z.-M.，and Liu，T.-Y.（2017年1月6日\u201311）。带延迟补偿的异步随机梯度下降。澳大利亚新南威尔士州悉尼第34届国际机器学习会议论文集。“}”{“key”：“ref_20”，“unstructure”：“”Xie，C.、Koyejo，S.和Gupta，I.（2020年）。异步联合优化。arXiv公司。“}，{”key“：”ref_21“，”doi-asserted-by“：”crossref“，”first page“：“116”，”doi“：”10.1109\/MCOM.001.1900091“，”article-title“：”深度学习中的数据安全问题：攻击、对策和机遇“，”volume“：“非结构化”：“Mohassel，P.和Zhang，Y.（2017年1月22日\u201326）。Secureml：一个可扩展的隐私保护机器学习系统。2017年IEEE安全与隐私研讨会（SP）论文集，美国加利福尼亚州圣何塞”，“DOI”：“10.1109\/SP.2017.12”}，{“key”：“ref_23”，“first page”：”1333“，“article-title”：“通过添加同态加密保护隐私的深度学习”，“volume”：：“13”，“author”：“Aono”，“year”：“2020”，“journal-title“：”IEEE Trans.Inf.Forensics Secur.“}，”{“密钥”：“ref_24“，“首页”：“33”，“文章标题”：“分布式学习，无痛苦：隐私保护经验风险最小化”，“卷”：“7”，“作者”：“Jayaraman”，“年份”：“2021年”，“新闻标题”：《高级神经信息处理》。系统。“}，{”key“：”ref_25“，”doi-asserted-by“：”crossref“，”first page“：“1486”，”doi“：”10.1109\/TIFS.2019.2939713“，”article-title“：”与不可靠参与者保持隐私的协作深度学习“，”volume“：“，”非结构化”：“Bonawitz，K.、Ivanov，V.、Kreuter，B.和Marcedone，A.（11月，1月30日）。用于隐私保护机器学习的实用安全聚合。2017 ACM SIGSAC计算机与通信安全会议论文集，美国德克萨斯州达拉斯”，“DOI”：“10.1145\/3133956.3133982”}，{“key”：“ref_27”，“DOI-asserted-by”：“crossref”，“unstructured”：“Yu，D.，Zhang，H.，Chen，W.，Liu，T.-Y.，and Yin，J.（2020）。对于微分私有凸优化，梯度扰动被低估了。arXiv公司。“，”DOI“：”10.24963\/ijcai.2020 \/431“}，{”key“：”ref_28“，”unstructured“：”Paillier，P.（1999年1月2日\u20136）.基于复合度剩余类的公钥密码系统.密码学技术理论与应用国际会议论文集，捷克共和国布拉格。“}”，{“key”：“ref_29”，“unstructure”：“”Acs，G.和Castelluccia，C.（2018年）。我有一个梦想（差异私人智能计量）。信息隐藏国际研讨会，斯普林格。“}，{”key“：”ref_30“，”doi-asserted-by“：”crossref“，”first-page“：”463“，”doi“：”10.1109\/TDSC.2015.2484326“，”article-title“：”多方安全添加与差异隐私的综合比较“，”volume“：“14”，“author”：“Goryczka”，“year”：“2019”，“journal-title”：“IEEE Trans.Dependable Secur.Comput.”}]，“container-titleoriginal-title“：[]，”language“：”en“，”link“：[{”URL“：”https:\/\/www.mdpi.com\/1424-8220\/22\/684\/pdf“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：{”date-parts“：[2024,7,24]]，”date-time“：“2024-07-24T17:13:38Z”，“timestamp”：1721841218000}，“score”（分数）：1，“resource”（资源）：{“primary”（主资源）：}“URL”（URL）：“https:\/\/www.mdpi.com\/1424-8220\/22\/684“}}，”副标题“：[]，”短标题“：[]，”已发布“：{”日期部分“：[2022,1,17]]}，“引用计数”：30，”日志发布“：dx.doi.org \/10.3390 \/s22020684“，”关系“：{}，”ISSN“：[”1424-8220“]，”ISSN-type“：[{”value“：“1424-8220”，“type”：“electronic”}]，“subject”：[]，“published”：{“date-parts”：[2022,1,17]]}}}