已入深夜,您辛苦了!由于当前在线用户较少,发布求助请尽量完整的填写文献信息,科研通机器人24小时在线,伴您度过漫漫科研夜!祝你早点完成任务,早点休息,好梦!

MemDefense: Defending against Membership Inference Attacks in IoT-based Federated Learning via Pruning Perturbations

计算机科学 修剪 推论 物联网 计算机安全 人工智能 机器学习 农学 生物
作者
Meng Shen,Jin Meng,Ke Xu,Shui Yu,Liehuang Zhu
出处
期刊:IEEE Transactions on Big Data [Institute of Electrical and Electronics Engineers]
卷期号:: 1-13
标识
DOI:10.1109/tbdata.2024.3403388
摘要

Depending on large-scale devices, the Internet of Things (IoT) provides massive data support for resource sharing and intelligent decision, but privacy risks also increase. As a popular distributed learning framework, Federated Learning (FL) is widely used because it does not need to share raw data while only parameters to collaboratively train models. However, Federated Learning is not spared by some emerging attacks, e.g., membership inference attack. Therefore, for IoT devices with limited resources, it is challenging to design a defense scheme against the membership inference attack ensuring high model utility, strong membership privacy and acceptable time efficiency. In this paper, we propose MemDefense, a lightweight defense mechanism to prevent membership inference attack from local models and global models in IoT-based FL, while maintaining high model utility. MemDefense adds crafted pruning perturbations to local models at each round of FL by deploying two key components, i.e., parameter filter and noise generator. Specifically, the parameter filter selects the apposite model parameters which have little impact on the model test accuracy and contribute more to member inference attacks. Then, the noise generator is used to find the pruning noise that can reduce the attack accuracy while keeping high model accuracy, protecting each participant's membership privacy. We comprehensively evaluate MemDefense with different deep learning models and multiple benchmark datasets. The experimental results show that lowcost MemDefense drastically reduces the attack accuracy within limited drop of classification accuracy, meeting the requirements for model utility, membership privacy and time efficiency.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
快了科研完成签到,获得积分10
刚刚
CHL完成签到 ,获得积分10
刚刚
黎_完成签到,获得积分10
1秒前
阿衍完成签到 ,获得积分10
1秒前
silence完成签到 ,获得积分10
1秒前
Joseph_sss完成签到 ,获得积分10
1秒前
布丁完成签到 ,获得积分10
1秒前
伊蕾娜完成签到 ,获得积分10
1秒前
2220完成签到 ,获得积分10
2秒前
yule完成签到 ,获得积分10
2秒前
2秒前
Chen完成签到 ,获得积分10
3秒前
Ranrunn完成签到 ,获得积分10
3秒前
舒心胜完成签到 ,获得积分10
4秒前
小文cremen完成签到 ,获得积分10
4秒前
春日奶黄包完成签到 ,获得积分10
4秒前
wang发布了新的文献求助10
5秒前
呆呆要努力完成签到 ,获得积分10
5秒前
申木完成签到 ,获得积分10
5秒前
xona完成签到,获得积分10
5秒前
陆罐罐发布了新的文献求助30
5秒前
Enchanted完成签到 ,获得积分10
5秒前
pluto完成签到,获得积分0
5秒前
qiang344完成签到 ,获得积分10
6秒前
哈哈完成签到 ,获得积分10
6秒前
vkk完成签到 ,获得积分10
6秒前
August_Zheng发布了新的文献求助10
7秒前
水野完成签到,获得积分20
7秒前
努力毕业ing完成签到,获得积分10
8秒前
Joey完成签到,获得积分10
9秒前
闾丘惜萱完成签到,获得积分10
10秒前
黄毛虎完成签到 ,获得积分10
10秒前
冰凝完成签到,获得积分10
11秒前
虚幻的冰露完成签到 ,获得积分10
11秒前
不愧是我完成签到 ,获得积分10
11秒前
唠叨的傲薇完成签到 ,获得积分10
11秒前
12秒前
cctv18应助陆罐罐采纳,获得10
12秒前
燧人氏完成签到 ,获得积分10
12秒前
13秒前
高分求助中
The late Devonian Standard Conodont Zonation 2000
Nickel superalloy market size, share, growth, trends, and forecast 2023-2030 2000
The Lali Section: An Excellent Reference Section for Upper - Devonian in South China 1500
Smart but Scattered: The Revolutionary Executive Skills Approach to Helping Kids Reach Their Potential (第二版) 1000
Very-high-order BVD Schemes Using β-variable THINC Method 830
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 800
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 800
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3248609
求助须知:如何正确求助?哪些是违规求助? 2892063
关于积分的说明 8269674
捐赠科研通 2560135
什么是DOI,文献DOI怎么找? 1388854
科研通“疑难数据库(出版商)”最低求助积分说明 650926
邀请新用户注册赠送积分活动 627798

今日热心研友

pluto
1
cctv18
10
小蘑菇
10
注:热心度 = 本日应助数 + 本日被采纳获取积分÷10