Privacy-preserving Security Inference Towards Cloud-Edge Collaborative Using Differential Privacy
云边缘协同推理方法将深度神经网络（DNN）分为两部分，在资源受限的边缘设备和云服务器上协同运行，旨在最大限度地减少推理延迟并保护数据隐私。然而，即使来自边缘设备的原始输入数据没有直接暴露给云，针对协作推理的最先进的攻击仍然能够从暴露的本地模型的中间输出重建原始私有数据，从而引入严重的隐私风险。本文提出了一种用于云-边缘协作的安全隐私推理框架CIS，该框架支持根据动态变化的网络带宽自适应地划分网络，充分释放边缘设备的计算能力。为了减轻由私有扰动引入的影响，CIS提供了一种通过向卸载到云的中间层特征图添加细化噪声来实现差分隐私保护的方法。同时，在给定总隐私预算的情况下，通过不同卷积滤波器生成的特征图秩大小合理分配预算，使得云中的推理对数据扰动具有鲁棒性，从而有效地平衡了隐私性和可用性之间的冲突问题.最后，我们构建了一个真实的云边缘协同推理计算场景，以验证资源受限的边缘设备上的推理延迟和模型划分的有效性。最后，采用最新的云边缘协同重构攻击方法，对CIS提供的端到端隐私保护机制的实际可用性进行了评估。
2022-12-13 cs.CR
Challenges in the Safety-Security Co-Assurance of Collaborative Industrial Robots
University of York（约克大学）；University of Sheffield（谢菲尔德大学）
本研究围绕协作工业机器人的安全与安保协同保障难题，梳理了相关保障方法，分析了制造业人机协作的技术现状与挑战，并指出了待解决的流程与技术问题。
2020-07-17 cs.CR cs.RO cs.SE
SERENIoT: Collaborative Network Security Policy Management and Enforcement for Smart Homes
网络流量白名单已成为保护消费者物联网设备的主要方法。然而，确定物联网设备的白名单行为应该是什么仍然是一个开放的挑战。迄今为止，提案依赖于制造商和受信任方提供白名单，但这些提案需要制造商参与或信任其他利益相关者。可替代地，本地监视设备可以允许构建观察到的行为的白名单，但是设备可能不会在观察时段期间用尽其功能集，或者行为可能在需要重新训练的软件更新之后改变。本文提出了一种基于区块链的系统，用于确定物联网设备的行为是否与其他同类设备相似。我们的系统（SERENIoT，发音为Serenity）克服了最初确定设备正确行为的挑战。SERENIoT公共区块链中的节点提交对连接的物联网设备观察到的网络行为的摘要，并构建大多数节点观察到的行为的白名单。一旦广泛部署更新，通过软件更新进行的行为更改将自动列入白名单。通过在小型Raspberry Pi物联网网络和大规模Amazon EC2模拟上实现SERENIoT的概念验证，我们评估了系统的安全性、可扩展性和性能。
2020-03-05 cs.CR
BlueSky: Activity Control: A Vision for "Active" Security Models for Smart Collaborative Systems
网络物理生态系统通过异构网络连接不同的智能设备。在智能对象上执行各种操作以确保效率并支持智能环境中的自动化。Activity（由Gupta和Sandhu定义）反映了对象的当前状态，该状态响应于请求的操作而变化。由于不同对象上有多个运行活动，因此考虑到运行时决策因支持访问控制决策的主动实施的相关活动（和其他参数）而受到影响，确保协作系统的安全至关重要。最近，Gupta和Sandhu提出了以活动为中心的访问控制（ACAC），并讨论了活动作为协作系统中访问控制的主要抽象的概念。该模型提供了一种主动安全方法，该方法考虑活动决策因素，例如授权、义务、条件和相关设备活动之间的依赖关系。本文提出了一个ACAC模型的核心组成部分，并与其他安全模型区分ACAC的新特性进行了比较。我们强调如何现有的模型不（或在有限的范围内）支持“主动”的决定和执行的授权协作系统。我们提出了一个层次结构的一个家庭的ACAC模型，逐步增加有关的属性活动的概念，并讨论了状态的活动。我们强调ACAC与零信任原则的融合，以反映ACAC如何支持分布式和互联智能生态系统的必要安全态势。本文的目的是获得一个更好的理解ACAC在协同系统支持新的抽象，属性和需求。
2022-05-18 cs.CR cs.SY eess.SY
Multi-frame Signature-cum Anomaly-based Intrusion Detection Systems (MSAIDS) to Protect Privacy of Users over Mobile Collaborative Learning (MCL)
流氓DHCP是未经授权的服务器，它向用户发布错误的IP地址并非法嗅探流量。该贡献特别为用户提供隐私，并增强了[24]中解释的移动支持的协作框架（MSCF）的安全性。本文介绍了支持新算法的多帧签名和基于异常的入侵检测系统（MSAIDS），并在现有IDS中包含新规则。主要目标是检测恶意攻击，阻止流氓DHCP服务器的非法活动。这种创新的安全机制增强了用户的信心，保护网络免受非法干预，恢复用户的隐私。最后，本文通过仿真验证了这一想法，并将研究结果与已知的现有技术进行了比较。
2012-10-07 cs.CR
AEAKA: An Adaptive and Efficient Authentication and Key Agreement Scheme for IoT in Cloud-Edge-Device Collaborative Environments
针对云-边-端协同环境中资源受限设备认证方案局限性的问题，提出自适应且高效的认证与密钥协商方案AEAKA，通过动态发起认证、边缘辅助和哈希算法减轻负载并保障安全，在安全性和效率上优于现有方法。
2024-11-14 cs.CR
Towards Scalable Security in Interference Channels With Arbitrary Number of Users
在本文中，我们提出了一个可实现的安全方案的干扰信道与任意数量的用户。在这个模型中，每个接收器应该能够解码其预期的消息，而它不能解码任何有意义的信息有关的消息打算为其他接收器。我们的方案实现了个人的安全率与对数（SNR）线性缩放，并实现了总和安全率是在恒定的差距和安全容量。为了在发射机侧设计编码器，我们将嵌套格型编码、随机i.i.d.代码和合作干扰技术。非对称计算和转发框架用于在接收器处执行解码操作。我们的计划的新颖之处在于，它是第一个渐近最佳可实现的方案，这种安全方案可扩展到任意数量的用户，并适用于任何有限值SNR。此外，我们的计划实现了上限和安全自由度的$1$没有使用外部助手。
2020-04-17 cs.CR cs.IT math.IT
Discovery of Malicious Attacks to Improve Mobile Collaborative Learning (MCL)
移动协作学习（MCL）是世界范围内教育机构和一些组织高度认可和关注的范式。它展示了各种联合思想的智力协同作用，以处理问题并激发相互理解的社会活动。为了改进和促进MCL的基线，引入了几个支持架构，框架，包括一些移动应用程序。据报道，有限的研究，特别是重点加强这些pardigs的安全性，并提供安全的MCL的用户。本文针对MCL过程中出现的流氓DHCP服务器影响和破坏网络资源的问题进行了处理。流氓DHCP是未经授权的服务器，它向用户发布错误的IP地址并非法嗅探流量。该贡献特别提供了隐私的用户，并提高了安全方面的移动支持的协作框架（MSCF）。通过在入侵检测系统和入侵检测模型中增加新的规则，提出了支持新算法的多帧特征和异常的入侵检测系统（MSAIDS）。主要目标是检测恶意攻击，阻止流氓DHCP服务器的非法活动。这种创新的安全机制增强了用户的信心，保护网络免受非法干预，恢复用户的隐私。最后，本文通过仿真验证了这一想法，并与其他现有技术的结果进行了比较。
2012-08-10 cs.CR cs.NI
A Collaborative Intrusion Detection System Using Snort IDS Nodes
本文提出一种基于Snort节点的协作式入侵检测系统，通过中心节点集成与SIEM平台实现多节点数据共享与关联分析，提升大规模网络攻击检测准确性并降低误报，实验验证其高效性。
2025-04-23 cs.CR
Automated Dataset Generation System for Collaborative Research of Cyber Threat Analysis
网络攻击的目标越来越复杂，攻击者通过伪装成其他攻击者来隐藏自己的身份。网络威胁情报（CTI）作为一种收集有意义的知识的方式，以更好地了解攻击者的意图，并最终预测未来的攻击，正受到越来越多的关注。基于从实际网络事件中获得的数据进行系统的威胁分析是为实现这一目标而生成情报的有用方法。开发分析技术需要大量和高质量的数据。然而，研究人员可能会因为无法获得数据而感到沮丧，因为组织很少向研究界发布数据。由于数据不可访问性问题，学术研究往往偏向于开发CTI过程步骤的技术，而不是分析和生产。在本文中，我们提出了一个自动化的数据集生成系统，称为CTIMiner。该系统从公开的安全报告和恶意软件存储库中收集威胁数据。数据以结构化格式存储。我们向公众发布了源代码和数据集，其中包括2008年1月至2019年6月发布的612份安全报告中的约640，000条记录。此外，我们提出了一个数据集的统计功能和技术，可以使用它开发。此外，我们演示了一个应用程序的数据集，分析事件的相关性和特点的例子。我们相信我们的数据集将促进威胁分析的合作研究，以生成CTI。
2019-10-06 cs.CR
Security in Mobile Edge Caching with Reinforcement Learning
移动边缘计算通常使用缓存来支持5G移动互联网中的多媒体内容，以减少计算开销和延迟。移动边缘缓存（MEC）系统容易受到各种攻击，如拒绝服务攻击和流氓边缘攻击。本文研究MEC系统中的攻击模型，重点关注移动卸载和缓存过程。在本文中，我们提出了安全解决方案，应用强化学习（RL）技术，以提供安全卸载到边缘节点，防止干扰攻击。我们还提出了轻量级的身份验证和安全的协作缓存方案，以保护数据隐私。我们评估了基于RL的移动边缘缓存安全解决方案的性能，并讨论了未来需要解决的挑战。
2018-01-18 cs.CR
Securing Your Collaborative Jupyter Notebooks in the Cloud using Container and Load Balancing Services
Cyberter已经成为开发数据应用程序的首选平台，但数据和安全问题，特别是在处理医疗保健时，对于许多处理敏感信息的机构和应用程序来说，已经成为头等大事。那么，我们如何才能继续享受由Python和Python生态系统提供的数据分析和机器学习机会，同时确保安全和隐私问题的可审计合规性？我们将描述一个基于云计算的平台的架构和实现，该平台与Amazon Web Services（AWS）集成，并使用容器化服务，而不会将平台暴露于Kubernetes和MyMyterHub中存在的漏洞。该架构满足了HIPAA的要求，以确保数据的安全性和隐私性。该架构使用AWS服务提供JSON Web令牌（JWT）进行身份验证和网络控制。此外，我们的架构还可以实现安全协作和共享笔记本电脑。尽管我们的平台专注于Xueyter笔记本电脑和XueyterLab，但它也支持共享相同身份验证机制的R-Studio和定制应用程序。此外，该平台还可以扩展到AWS以外的其他云服务。
2020-06-02 cs.CR cs.NI
Type-Directed Compilation for Fault-Tolerant Non-Interference
环境噪声（如热、电离粒子等）会导致硬件中的瞬时故障，从而导致存储值损坏。任务关键型设备需要通过容错来减轻此类故障-容错是一种旨在保留系统功能行为的技术组合，尽管存在瞬时故障的破坏性影响。容错通常具有很高的部署成本--可能需要特殊的硬件来实现它--并且提供弱的统计保证。它还基于故障很少的假设。在本文中，我们考虑的情况下，安全性，而不是功能的正确性，是要保护的主要资产。我们的贡献是双重的。首先，我们开发了一个理论，用于表示在存在瞬时故障的数据的机密性。我们表明，自然概率定义的安全故障的存在下，可以捕获的可能性定义。此外，可能性的定义是由一个已知的基于互模拟的属性，称为强安全性。其次，我们说明了一个简单的RISC架构，只有代码存储器和程序计数器的容错这些结果的效用。我们提出了一个类型导向的编译方案，产生RISC代码从一个更高层次的语言，其中强安全举行-即良好类型的程序编译为RISC代码，这是安全的，尽管瞬态故障。与容错解决方案相比，我们的技术假设相对较少的特殊硬件，给出正式的保证，并在存在主动攻击者的情况下工作，主动攻击者积极地针对系统的部分并精确地引发故障。
2014-10-25 cs.CR
TASEP: A Collaborative Social Engineering Tabletop Role-Playing Game to Prevent Successful Social Engineering Attacks
针对社会工程学攻击，提出一款名为TASEP的桌面角色扮演游戏，通过模拟渗透测试和乐高模型，提供沉浸式培训，以提高员工安全意识，经评估具有良好效果。
2023-08-29 cs.CR
A Secure Communication Protocol for Remote Keyless Entry System with Adaptive Adjustment of Transmission Parameters
本文针对远程无钥匙进入系统易受重放、冒充攻击和干扰的问题，提出自适应跳频与TXP/PHY模式控制算法及轻量级车辆-钥匙认证协议，实验表明其能显著提升数据包投递率并有效防止未授权访问。
2025-04-13 cs.CR
CISAF: A Framework for Risk Assessment of Academic and Research Cyberinfrastructure
Information Sciences Institute（信息科学研究所）；University of Southern California（南加州大学）
本文提出CISAF框架，通过自上而下的任务中心方法分析学术与研究网络基础设施的安全态势，识别关键资产和攻击路径，从而帮助管理员优先制定安全缓解措施。
2026-10-31 cs.CR
Collaborative Intelligence: Topic Modelling of Large Language Model use in Live Cybersecurity Operations
eSentire（eSentire公司）；University of Waterloo（滑铁卢大学）；SpyCloud（SpyCloud公司）
针对安全运营中心（SOC）专家在实时网络安全运营中使用大型语言模型（LLM）的情况开展主题建模，分析其使用方式，为设计协作式LLM工具以支持SOC工作流提供依据。
2025-08-25 cs.AI cs.CR
DeFi composability as MEV non-interference
针对无许可区块链上复杂DeFi服务因底层合约被攻击而面临的经济安全风险，提出智能合约安全可组合性概念，确保对手无法通过干涉合约依赖项对组合服务造成经济损害。
2024-01-08 cs.CR
Does Teaming-Up LLMs Improve Secure Code Generation? A Comprehensive Evaluation with Multi-LLMSecCodeEval
CSIRO’s Data61（CSIRO数据六十一）；The University of Western Australia（西澳大利亚大学）；ETRI（韩国电子通信研究院）；Sungkyunkwan University（成均馆大学）
本文通过多LLMSecCodeEval框架评估多模型协同对安全代码生成的影响，发现混合策略在安全性能上表现最佳，而模型规模并非安全保障的关键因素。
2026-03-24 cs.CR cs.SE
SPECTECTOR: Principled Detection of Speculative Information Flows
自从幽灵出现以来，已经提出并部署了一些对策。然而，严格推理它们的有效性需要一个定义良好的安全概念来抵御投机性执行攻击，这一点到目前为止一直缺失。在本文中，（1）我们提出了投机不干扰，第一语义概念的安全性，防止投机执行攻击，（2）我们开发SPECTECTOR，一个算法的基础上，符号执行自动证明投机不干扰，或检测违规。我们在一个工具中实现了SPECTECTOR，我们用它来检测主要编译器放置SPECTRE对策的方式中的细微泄漏和优化机会。一个可扩展性分析表明，检查投机性的非干扰并没有表现出根本的瓶颈超出那些继承的符号执行。
2019-07-24 cs.CR
Type-Based Enforcement of Non-Interference for Choreographic Programming
Inria Paris（巴黎国家信息与自动化研究所）；Università di Bologna（博洛尼亚大学）；Inria Sophia Antipolis（索菲亚安提波利斯国家信息与自动化研究所）；FORM, University of Southern Denmark（南丹麦大学 FORM）
本文提出了一种参数化策略类型系统，用于在舞剧编程中强制执行非干扰，防止高安全数据泄露，并通过程序计数器纪律处理显式和隐式流。
2026-02-25 cs.CR cs.DC cs.PL
Cronus: Robust and Heterogeneous Collaborative Learning with Black-Box Knowledge Transfer
National University of Singapore（新加坡国立大学）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
协作（联合）学习使多方能够训练模型，而无需共享其私有数据，而是通过重复共享其本地模型的参数。尽管有其优点，这种方法有许多已知的隐私和安全弱点和性能开销，除了仅限于具有同构架构的模型。共享参数会泄漏大量关于本地（和假定的私有）数据集的信息。此外，联邦学习非常容易受到中毒攻击，其中一些参与者可以不利地影响聚合参数。具有高维参数向量的大型模型特别容易受到隐私和安全攻击：联邦学习中的维数灾难。我们认为，共享参数是协作学习中最幼稚的信息交换方式，因为它们将模型的所有内部状态开放给推理攻击，并通过隐形中毒攻击最大限度地提高模型的延展性。我们提出了Cronus，一个强大的协作机器学习框架。设计Cronus背后的简单而有效的想法是通过黑箱本地模型之间的强大知识转移来控制，统一并显着减少各方之间交换信息的维度。我们评估了所有现有的联邦学习算法对中毒攻击，我们表明，Cronus是唯一安全的方法，由于其严格的鲁棒性保证。将局部模型视为黑箱，减少了通过模型的信息泄漏，并使我们能够使用现有的隐私保护算法，通过模型的输出（预测）减轻信息泄漏的风险。与联邦学习相比，Cronus的样本复杂度也显著降低，联邦学习不会将其安全性与参与者的数量绑定在一起。
2019-12-24 cs.CR cs.LG stat.ML
On Data Fabrication in Collaborative Vehicular Perception: Attacks and Countermeasures
University of Michigan（密歇根大学）；University of California, Irvine（加州大学欧文分校）；Google（谷歌）
本文针对协同车辆感知的数据伪造安全漏洞，提出多种实时数据伪造攻击并验证其高成功率，同时设计了协同异常检测方法实现高检测率与低误报率，有效缓解攻击影响。
2023-10-03 cs.CR cs.CV
D-CIPHER: Dynamic Collaborative Intelligent Multi-Agent System with Planner and Heterogeneous Executors for Offensive Security
NYU Tandon School of Engineering（纽约大学Tandon工程学院）；NYU Abu Dhabi（纽约大学阿布扎克分校）；Indian Institute of Technology Kanpur（印度理工学院坎普尔分校）
本文提出 D-CIPHER 多智能体框架，通过 Planner、异构 Executor、动态反馈与 Auto-prompter 协作求解 CTF，在三个基准上达到 SOTA 并覆盖更多 ATT&CK 技术。
2025-05-11 cs.AI cs.CR
Research on Large Language Model Cross-Cloud Privacy Protection and Collaborative Training based on Federated Learning
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
针对大语言模型跨云部署与训练中的隐私和数据安全挑战，本文提出基于联邦学习的协同训练框架，融合密码学原语、动态聚合、跨云数据协调与混合聚合方案，提升安全性、效率、可扩展性及模型性能。
2025-03-15 cs.AI cs.CR
Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework
Jilin University（吉林大学）；Nanyang Technological University（南洋理工大学）；Edith Cowan University（伊迪丝科文大学）；the University of Technology Sydney（悉尼科技大学）；The University of Sydney（悉尼大学）；Tohoku University（东北大学）
本文提出一种基于大语言模型的多智能体协作入侵检测框架，用于提升低空经济物联网的安全性能，实验显示其在多个数据集上达到90%以上的分类准确率。
2026-01-25 cs.CR cs.NI
Abstract Certification of Global Non-Interference in Rewriting Logic
非干扰性是一种语义程序属性，它为数据对象分配保密级别，并防止非法信息流从高到低的安全级别发生。在本文中，我们提出了一种新的安全模型的全局不干扰，近似不干扰作为一个安全属性。我们还提出了一个认证技术的全球非干扰完整的Java类重写逻辑的基础上，一个非常一般的逻辑和语义框架，有效地实现了高层次的程序设计语言Maude。从现有的Java语义规范Maude写的，我们开发了一个扩展的，信息流的Java语义，使我们能够正确地观察全球的非干扰政策。为了实现有限状态转换系统，我们开发了一个抽象的Java语义，我们使用安全和有效的非干扰Java分析。分析产生的证书是可独立检查的，并且足够小，可以在实践中使用。
2010-06-22 cs.CR cs.LO cs.PL
Security Analysis of Capsule Network Inference using Horizontal Collaboration
Tennessee Technological University（田纳西理工大学）；Vienna University of Technology（维也纳技术大学）
传统的卷积神经网络（CNN）有几个缺点，如毕加索效应和池化层的信息丢失。Capsule网络（CapsNet）被提出来解决这些挑战，因为它的架构可以编码和保存输入图像的空间方向。与传统的CNN类似，CapsNet也容易受到几种恶意攻击，正如文献中几位研究人员所研究的那样。然而，这些研究大多集中在基于单设备的推理上，但最先进系统中的水平协作推理，如自动驾驶汽车中的智能边缘服务，语音可控系统和无人机，使大多数这些分析无效。水平协作意味着将训练的CNN模型或CNN任务划分到多个终端设备或边缘节点。因此，必须检查CapsNet在水平协作环境中部署时对恶意攻击的鲁棒性。为此，我们研究了CapsNet在水平协作环境中受到基于噪声的推理攻击时的鲁棒性。在该分析中，我们扰动了四个DNN模型的不同层的特征图，即，CapsNet、Mini-VGG、LeNet和内部设计的CNN（ConvNet），参数数量与CapsNet相同，使用两种基于噪声的攻击，即，高斯噪声攻击和FGSM噪声攻击。实验结果表明，与传统的CNN类似，根据攻击者对DNN层的访问，CapsNet的分类准确率显着下降。例如，当在CapsNet的DigitCap层执行高斯噪声攻击分类时，最大分类精度下降约为97%。
2021-09-22 cs.CR cs.LG
Artificial Intelligence for Secured Information Systems in Smart Cities: Collaborative IoT Computing with Deep Reinforcement Learning and Blockchain
Politecnico di Milano（米兰理工大学）；University of Texas at Arlington（德克萨斯大学阿灵顿分校）；Florida International University（佛罗里达国际大学）；University of Malayer（马雷大学）
本文综述了区块链与深度强化学习在物联网智慧城市中的集成方法，提出实用分类体系，以优化移动传输、保障隐私安全并指出未来研究方向。
2025-03-11 cs.AI cs.CR
On the Security and Privacy of Federated Learning: A Survey with Attacks, Defenses, Frameworks, Applications, and Future Directions
Department of Computer, Control and Management Engineering, Sapienza University of Rome（计算机、控制与管理工程系，罗马萨皮恩扎大学）
本文综述了200余篇联邦学习安全与隐私研究，系统分类攻击与防御机制，分析隐私、安全与性能的权衡及非IID数据影响，并指出未来研究方向。
2025-08-19 cs.AI cs.CR cs.DC
A Blockchain Solution for Collaborative Machine Learning over IoT
atlanTTic, ICLAB, Escuela de Ingeniería de Telecomunicación（atlanTTic、ICLAB、电信工程学院）
本文提出结合增量学习向量量化算法与以太坊区块链的物联网协作学习方案，以降低开销并保障隐私安全，实验证明其能提升机器学习任务的准确性和效率。
2025-07-09 cs.CR cs.LG cs.NI
Collaborative Homomorphic Computation on Data Encrypted under Multiple Keys
Rochester Institute of Technology（罗切斯特理工学院）；Taif University（塔伊夫大学）
同态加密（HE）是一种很有前途的加密技术，用于实现云中的安全协作机器学习。然而，在多个密钥下对密文的同态计算的支持是低效的。目前的解决方案通常需要在任何计算之前设置密钥，或者产生很大的密文大小（最多线性增长到所涉及的密钥的数量）。在本文中，我们提出了一种新的方法，利用阈值和多密钥HE支持不同密钥下的密文计算。我们的新方法消除了在每个客户端和模型所有者之间设置密钥的需要。同时，这种方法减少了要卸载到云评估器的加密模型的数量，并且密文大小从（N+1）x2减少到2x2。我们介绍了每个步骤的细节，并讨论了我们方法的复杂性和安全性。
2019-11-11 cs.CR cs.LG
FedSA: Accelerating Intrusion Detection in Collaborative Environments with Federated Simulated Annealing
Universidade Federal Fluminense（弗鲁米嫩塞联邦大学）；Trinity College Dublin（都柏林圣三一学院）
快速识别新的网络攻击模式对于提高网络安全性至关重要。然而，识别异构网络中正在进行的攻击是一项不平凡的任务。联邦学习是入侵检测系统协同训练的一种解决方案。基于联邦学习的IDS使用联邦参与者提供的本地机器学习模型来训练全局模型，而不共享本地数据。然而，优化挑战是联邦学习固有的。本文提出了联邦模拟退火（FedSA）元启发式选择超参数和一个子集的参与者为每一个聚合轮联邦学习。FedSA优化与全局模型收敛相关的超参数。该提案减少了聚合轮数，加快了收敛速度。因此，FedSA加速了从本地模型中提取学习，需要更少的IDS更新。提案评估表明，FedSA全球模型在不到10轮的沟通中收敛。与传统的聚合方法相比，该提案需要减少多达50%的聚合轮次才能实现约97%的攻击检测准确率。
2022-05-23 cs.CR cs.LG
Group key management based on semigroup actions
在这项工作中，我们提供了一套协议的组密钥管理的基础上一般半群行动。密钥的构造以分布式和协作的方式进行。提供了在某些情况下可以增强先前现有协议的安全级别和通信开销的示例。针对被动攻击的安全性被认为是取决于在任何特定的情况下的半群行动问题的硬度。
2016-07-28 cs.CR cs.IT math.IT
When Swarm Learning meets energy series data: A decentralized collaborative learning design based on blockchain
Southern University of Science and Technology（南方科技大学）；Eastern Institute of Technology（东方理工大学）；Ningbo Institute of Digital Twin（宁波数字孪生研究院）；China University of Petroleum (Beijing)（中国石油大学（北京））
本文提出一种基于区块链的群体学习框架，通过去中心化协作学习解决能源数据共享中的安全与隐私问题，并在三个真实能源序列场景中验证了其优于本地学习、集中式学习和联邦学习的性能与稳定性。
2024-06-07 cs.CR cs.DC cs.LG
