Cost-Efficient and Secure Federated Learning for Edge Computing

Zhuangzhuang Zhang

doi:10.1109/TMC.2025.3590799

Cost-Efficient and Secure Federated Learning for Edge Computing

2025-07-21

0

PRE

AI

DOI：10.1109/TMC.2025.3590799

原文链接

原文求助

摘要

En 中文

由于联邦学习（FL）的协作机器学习特性，它能够在边缘计算环境中对大规模分布式数据集进行机器学习模型的训练。然而，联邦学习在边缘计算中的应用仍面临三个关键挑战：资源限制、隐私泄露和拜占庭故障。不幸的是，当前的方法缺乏有效平衡这三大挑战的能力。在本文中，我们提出了FedEdge，一种针对边缘计算的低成本、安全联邦学习框架。FedEdge包含两种主要机制：自适应压缩扰动和动态更新过滤。自适应压缩扰动机制能够减少通信开销，为边缘节点提供不同级别的隐私保护，并防范拜占庭攻击。动态更新过滤机制用于进一步过滤拜占庭攻击，并限制自适应压缩扰动对全局模型性能的影响。在MNIST、CIFAR-10、CIFAR-100和CelebA数据集上的实验结果证明了FedEdge在对抗搭便车攻击、标签翻转攻击和符号翻转攻击方面的有效性。理论分析也表明，即使大多数边缘节点是恶意的，FedEdge仍能收敛。

Keyword:

Federated learning

edge computing

resource constraint

cost-efficient

adaptive compression perturbation

Cost-Efficient and Secure Federated Learning for Edge Computing

摘要

期刊

机构