A Privacy-Aware and Communication-Efficient Federated Spam Detection Framework for Multi-Cloud Environments

Sintesi Tecnica: Un Framework di Rilevamento dello Spam per la Federazione, Consapevole della Privacy e Efficiente nella Comunicazione per Ambienti Multi-Cloud (FPSD-MCP)

Problematica
La rapida proliferazione del traffico spam in ambienti multi-cloud distribuiti presenta sfide significative riguardanti la scalabilità, l'efficienza della comunicazione e la privacy dei dati. Gli approcci tradizionali di rilevamento centralizzato dello spam sono sempre più inadeguati a causa dei rigorosi vincoli di condivisione dei dati tra le organizzazioni e i fornitori di servizi cloud, nonché dell'elevo overhead di comunicazione associato all'aggregazione dei dati grezzi. Sebbene l'Apprendimento Federato (Federated Learning - FL) offra un'alternativa decentralizzata permettendo l'addestramento di modelli sui dati locali senza condividere gli input grezzi, gli approcci standard di FL affrontano critiche limitazioni negli scenari multi-cloud. Queste includono la vulnerabilità alle perdite di privacy tramite attacchi di inversione del gradiente, la degradazione delle prestazioni del modello sotto distribuzioni di dati eterogenee (non-IID) e l'elevato overhead computazionale e di comunicazione introdotto dall'integrazione di meccanismi di preservazione della privacy come il Calcolo Multi-Parte Sicuro (MPC) e la Crittografia Omomorfica (HE). Gli esistenti framework trattano spesso la privacy e l'efficienza della comunicazione come problemi separati, fallendo nel fornire una soluzione unificata che bilanci l'accuratezza del modello, le garanzie di privacy e l'overhead di sistema.

Metodologia
Gli autori propongono FPSD-MCP (Federated Privacy-Preserving Spam Detection for Multi-Cloud Platforms), un nuovo framework che integra l'Apprendimento Federato con MPC e HE per abilitare un rilevamento dello spam sicuro e scalabile attraverso cluster cloud eterogenei.

• Architettura del Framework: Il sistema opera all'interno di un cluster multi-cloud dove ogni fornitore di servizi cloud agisce come un nodo client con dati e infrastrutture indipendenti. Un Central Secure Router (CSR) coordina l'aggregazione degli aggiornamenti del modello. Il framework adotta un'assunzione di semi-fiducia per il CSR, garantendo che nemmeno il coordinatore possa accedere agli aggiornamenti del modello in chiaro grazie alle protezioni crittografiche.
• Meccanismi di Privacy:
  • Differential Privacy (DP): I gradienti locali vengono tagliati (clipping) e perturbati con rumore Gaussiano per prevenire la fuga di informazioni.
  • Homomorphic Encryption (HE): I gradienti preservati dalla privacy vengono criptati (utilizzando la libreria Microsoft SEAL) per consentire operazioni aritmetiche sui ciphertext senza decrittazione.
  • Secure Multi-Party Computation (MPC): Gli aggiornamenti criptati vengono elaborati utilizzando protocolli MPC (tramite MP-SPDZ) per eseguire l'aggregazione sicura tramite secret sharing, garantendo che i contributi dei singoli client rimangano riservati durante il processo di aggregazione.
• Strategia di Aggregazione Adattiva: Un componente fondamentale di FPSD-MCP è un meccanismo di aggregazione consapevole della privacy ed efficiente nella comunicazione. A differenza del FedAvg standard, che utilizza una pesatura uniforme, FPSD-MCP formula l'addestramento federato come un problema di ottimizzazione multi-obiettivo. Esso pesa adattivamente gli aggiornamenti dei client ($w_i$) in base a tre fattori:
  1. Distribuzione dei Dati Locali: La dimensione del dataset del client ($|D_i|$).
  2. Costo di Comunicazione: I vincoli di larghezza di banda e latenza ($C_i$), che sono più elevati sotto HE a causa dell'espansione del ciphertext.
  3. Rumore Indotto dalla Privacy: La varianza del rumore della differential privacy ($\sigma_i^2$).
     Questa strategia riduce il peso dei client con alti costi di comunicazione o alto rumore di privacy, ottimizzando il compromesso tra convergenza del modello, accuratezza ed efficienza del sistema.
• Implementazione del Modello: Il modello di rilevamento dello spam utilizza un classificatore basato su LSTM ottimizzato per la rappresentazione sequenziale delle email. Il framework è stato testato utilizzando i dataset Enron e SpamAssassin, suddivisi in sottoinsiemi client non-IID per simulare realistiche condizioni multi-cloud.

Contributi Chiave
Il documento delinea quattro contributi primari:

1. Nuova Strategia di Aggregazione: Un meccanismo di pesatura consapevole della privacy ed efficiente nella comunicazione che regola adattivamente i contributi dei client in base alla distribuzione dei dati, ai costi di comunicazione e al rumore di privacy, migliorando la robustezza nelle condizioni non-IID.
2. Ottimizzazione Multi-Obiettivo: Una formulazione che minimizza congiuntamente la perdita di classificazione, l'overhead di comunicazione e i costi di privacy all'interno di un framework unificato.
3. Framework di Privacy Integrato: La combinazione di FL, MPC e HE per garantire la preservazione della privacy end-to-end e la collaborazione sicura tra eterogenei fornitori di servizi cloud.
4. Valutazione Completa: Validazione sperimentale estesa che dimostra un miglioramento dell'accuratezza, una convergenza più rapida e un ridotto overhead di comunicazione rispetto ai metodi di aggregazione allo stato dell'arte (FedAvg, FedProx, FedNova).

Risultati Sperimentali
Il framework FPSD-MCP è stato valutato sui dataset Enron e SpamAssassin contro modelli baseline (Logistic Regression, LSTM, BERT) e strategie di aggregazione standard.

• Guadagni di Prestazione: FPSD-MCP ha superato significativamente i modelli baseline. Sul dataset Enron, ha ottenuto guadagni del 4,5% nella precisione, 3,6% nel recall e 4,1% nell'F1-score rispetto ai metodi esistenti. Sul dataset SpamAssassin, i miglioramenti sono stati ancora più pronunciati, con guadagni dell'11,7% nella precisione, 7,1% nel recall e 9,4% nell'F1-score.
• Convergenza ed Efficienza: Il framework proposto ha richiesto meno round di comunicazione per convergere (28 round per Enron, 26 per SpamAssassin) rispetto a FedProx e FedNova, mantenendo al contempo un overhead di comunicazione inferiore (16,3 MB per Enron, 14,1 MB per SpamAssassin).
• Robustezza:
  • Dati Non-IID: Sotto una severa distorsione della distribuzione dei dati, FPSD-MCP ha mantenuto un F1-score di 0,90, superando significativamente Logistic Regression (0,71) e BERT (0,84).
  • Attacchi Avversari: In presenza di dati avvelenati al 30%, FPSD-MCP ha mostrato un'alta resilienza, con un calo dell'F1-score di soli 0,06 (da 0,94 a 0,88), mentre Logistic Regression ha subito un degrado superiore al 40%.
  • Scalabilità: Il framework ha mantenuto prestazioni stabili (accuratezza del 96,8%) all'aumentare del numero di client fino a 100, superando BERT e LSTM in contesti su larga scala.
• Compromesso Privacy-Efficienza: Lo studio di ablazione ha confermato che, sebbene l'integrazione di MPC e HE introduca una leggera diminuzione dell'accuratezza (meno del 3%) e un aumento del costo computazionale rispetto al FL in chiaro, il framework bilancia con successo questi costi con forti garanzie di sicurezza.

Significato e Dichiarazioni
Gli autori affermano che FPSD-MCP fornisce una soluzione scalabile e sicura per il rilevamento distribuito dello spam, affrontando efficacemente i limiti degli attuali approcci di FL negli ambienti multi-cloud. La significatività del lavoro risiede nel suo design unificato, che tratta la privacy e l'efficienza della comunicazione non come vincoli indipendenti, ma come obiettivi ottimizzati congiuntamente. Introducendo una strategia di aggregazione adattiva che tiene conto dei trade-off a livello di sistema, il framework consente un addestramento del modello affidabile attraverso distribuzioni di dati eterogenee e non-IID senza compromettere la località dei dati. I risultati suggeriscono che FPSD-MCP sia un candidato valido per il deployment reale in infrastrutture multi-cloud sensibili alla privacy, dove bilanciare l'accuratezza del rilevamento con rigorose garanzie di privacy e vincoli di comunicazione è critico. Il lavoro futuro è identificato nel focus sul miglioramento ulteriore dell'efficienza della comunicazione e sull'ottimizzazione dell'allocazione delle risorse.