RSAM: Byzantine-Robust and Secure Model Aggregation in Federated Learning for Internet of Vehicles Using Private Approximate Median
Notice bibliographique
Résumé
In Internet-of-Vehicles (IoVs), Federated Learning (FL) is increasingly used by smart vehicles to process various sensing data. FL is a collaborative learning approach that enables vehicles to train a shared machine learning (ML) model by exchanging their local models instead of their sensitive training data in a distributed manner. Secure aggregation, as a privacy primitive for FL, aims to further protect the local models.c However, existing secure aggregation methods for FL in IoVs mostly suffer from poor security against Byzantine attacks, e.g., malicious vehicles submit fake local models, which are common in IoVs and greatly degrade the accuracy of the final shared model without being detected. In this paper, we propose a new secure and efficient aggregation approach, RSAM, for resisting Byzantine attacks FL in IoVs. RSAM first securely calculates an approximate median of local models of the distributed vehicles via the divide-and-conquer strategy as the aggregation model in each training round, providing the strong Byzantine robustness that is similar to the real median (a proven robust rank-based statistic) does, where median means the coordinate-wise median. Furthermore, RSAM is a single-server secure aggregation protocol that protects the vehicles' local models and training data against inside conspiracy attacks based on zero-sharing. Finally, RSAM is efficient for vehicles in IoVs, since RSAM transforms the sorting operation over the encrypted data to a small number of comparison operations over plain texts and vector-addition operations over ciphertexts, and the main building block relies on fast symmetric-key primitives. The correctness, Byzantine resilience, and privacy protection of RSAM are analyzed, and extensive experiments demonstrate its effectiveness.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».