連合学習/セキュリティ2026/8/20arXiv:2608.20580

連合学習のための鍵付き来歴透かしと相補的格子ベース安全集約

Keyed Provenance Watermarking with Complementary Lattice-Based Secure Aggregation for Federated Learning

連合学習におけるデータ漏洩、不正再利用、悪意ある勾配操作を防ぐため、鍵付き来歴透かしと格子ベースのゼロ知識安全集約を組み合わせたフレームワークを提案した。

詳しい要約

1. どんなもの？

本論文は、Federated Learning (FL) における複数レベルの攻撃（データ漏洩、不正再利用、悪意のある勾配操作）に同時に対処するための、鍵付きコンテキスト由来透かしと格子ベースの検証可能なセキュア集約を組み合わせたFLフレームワークを提案している。データ層では、Physical Anchor Metadata (PAM) を用いたKerckhoffs準拠のスキームを提案し、鍵付きHMAC-SHA-256変換により透かしペイロードを生成する。また、GANベースのロバスト画像透かしフレームワークFMGANを設計し、特徴融合モジュールとMambaガイドの線形注意機構を用いてペイロードを埋め込む。計算層では、格子ベースのゼロ知識セキュア集約 (LZKSA) プロトコルを採用し、勾配のコミットメントに対する鍵の正当性、L2ノルム境界、コサイン類似度制約を検証する。RLWEベースの設計により耐量子セキュリティを保証する。

2. 先行研究と比べてどこがすごい？

既存手法はデータ漏洩、不正再利用、勾配操作などの攻撃を個別に扱うことが多く、統合的な保護が欠けていた。本提案は、データ層の透かしと計算層のセキュア集約を組み合わせたハイブリッドなエンドツーエンドのFLフレームワークを初めて提供する点が優れている。また、PAMを用いた鍵付き透かしは、クライアントの秘密鍵なしでは生成できないため、従来の透かしよりも安全性が高い。さらに、LZKSAはゼロ知識証明を用いるため、勾配のプライバシーを保ちながら検証が可能であり、耐量子セキュリティも備えている。

3. 技術・手法の肝は？

技術の肝は、データ層と計算層の補完的な保護を統合した点にある。データ層では、PAM（時間、場所、サーバIDなどの信頼できるインフラデータ）から生成されるコンテキスト由来トークンを鍵付きHMAC-SHA-256で変換し、透かしペイロードを生成する。このペイロードはFMGAN（GANベースのロバスト画像透かし）により埋め込まれる。FMGANは特徴融合モジュールとMambaガイドの線形注意機構を備え、埋め込みのロバスト性を高める。計算層では、LZKSAプロトコルがRLWE問題に基づき、勾配のコミットメントに対して鍵の正当性、L2ノルム境界、コサイン類似度制約をゼロ知識で検証する。これにより、勾配のプライバシーを保ちながら、悪意のある操作を防ぐ。

4. どうやって有効だと検証した？

複合攻撃シナリオ下での広範な実験により、2つの層の補完的な保護を検証した。具体的な実験設定やデータセット、比較ベースラインは要旨からは不明だが、提案フレームワークがデータ漏洩、不正再利用、勾配操作の各攻撃に対して有効であることを示したと述べられている。また、既存の検証ワークフローが両層を統合的に評価していないのに対し、本提案はハイブリッドなエンドツーエンドのFLフレームワークとして有効性を実証した。

5. 議論はある？

要旨からは、提案手法の限界や課題についての議論は不明である。ただし、Kerckhoffs準拠のスキームは、秘密鍵の管理が重要であり、鍵の漏洩時には透かしの安全性が損なわれる可能性がある。また、FMGANのロバスト性やLZKSAの計算オーバーヘッドについての詳細な議論は要旨には含まれていない。さらに、複合攻撃シナリオの具体的な定義や、実世界のFL環境での適用可能性については要旨からは不明である。

6. 次に読むべき論文は？

要旨で参照されている関連研究として、Real-World Anchored WatermarkingとLattice-Based Zero-Knowledge Secure Aggregationが挙げられる。また、GANベースの画像透かしや、ゼロ知識証明を用いたセキュア集約に関する既存研究も関連する。具体的な論文名は要旨にないため、同分野の定番として、Federated Learningのセキュリティに関するサーベイや、耐量子暗号に基づくセキュア集約の研究を読むことが推奨される。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Xinyun Liu, Zhi Lu, Yu Chen, Ronghua Xu

分類: cs.CR, cs.LG

原文アブストラクト

Federated learning (FL) is vulnerable to multi-level attacks. However, existing methods address them separately, leaving FL exposed to data leakage, unauthorized reuse, and malicious gradient manipulation. In this work, we propose an FL framework that couples keyed context-provenance watermarking with verifiable lattice-based secure aggregation of Real-World Anchored Watermarking and Lattice-Based Zero-Knowledge Secure Aggregation. At the data layer, we propose a Kerckhoffs-compliant scheme that utilizes Physical Anchor Metadata (PAM) to ensure data provenance. PAM is defined as a context-provenance token derived from trusted infrastructure data (time, location, and server ID) and then subjected to a keyed HMAC-SHA-256 transformation to produce a watermark payload that cannot be generated without the client's secret key. We further design FMGAN, a GAN-based robust image watermarking framework that embeds this transformed payload using a feature fusion module and a Mamba-guided linear attention mechanism. At the computation layer, we adopt a lattice-based zero-knowledge secure aggregation (LZKSA) protocol that verifies key correctness, L2 norm bounds, and cosine similarity constraints over committed gradients without revealing private updates. The RLWE-based design guarantees post-quantum security. Extensive experiments validate the complementary protection of the two layers under composite attack scenarios. To our knowledge, no prior verification workflow has jointly evaluated both layers in a hybrid, end-to-end trustworthy FL framework.

arXivで原文を読む →arXiv概要ページ