48、联邦学习安全问题的全面解析

联邦学习安全问题的全面解析

1. 联邦学习基础流程

联邦学习系统基本步骤如下：
1. 中央服务器共享初始模型和参数。
2. 客户端将本地模型发送到中央服务器。
3. 中央服务器将全局模型发送给客户端。

中央服务器通过对客户端提交的模型更新差异进行平均来计算当前全局模型，公式如下：
$G^t = G^{t - 1} + \frac{\eta}{m} \sum_{k = 1}^{m} (C_i^t - G^{t - 1})$
其中，$G^t$ 是当前全局模型，$m$ 是该轮的客户端数量，$\eta$ 是全局模型的学习率。

2. 影响联邦学习的因素

2.1 基于数据分布

• 独立同分布（IID）数据 ：所有客户端在联邦学习系统中拥有来自所有类别的相同数量的数据记录。处理这种数据通常更简单，性能结果更好。
• 非独立同分布（Non - IID）数据 ：不同客户端每个类别的数据记录数量不同，或者某些客户端的数据集中缺少某些类别。这是更现实的情况，数据分布会影响联邦学习系统的性能、攻击和防御。

数据分布类型	特点
IID数据	各客户端各类别数据记录数量相同
Non - IID数据	不同