🤖 machine learning

DisAgg: Distributed Aggregators for Efficient Secure Aggregation in Federated Learning

O artigo propõe o DisAgg, um protocolo de agregação distribuída que utiliza um pequeno comitê de clientes para realizar agregação baseada em compartilhamento secreto local, eliminando assim operações criptográficas dispendiosas e reduzindo significativamente a sobrecarga de comunicação e computação em comparação com métodos de agregação segura existentes como o OPA.

Autores originais: Haaris Mehmood, Giorgos Tatsis, Dimitrios Alexopoulos, Karthikeyan Saravanan, Jie Xu, Anastasios Drosou, Mete Ozay

Publicado 2026-05-14

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Haaris Mehmood, Giorgos Tatsis, Dimitrios Alexopoulos, Karthikeyan Saravanan, Jie Xu, Anastasios Drosou, Mete Ozay

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

A Visão Geral: Aprendendo Juntos sem Compartilhar Segredos

Imagine um grupo de vizinhos que todos querem aprender a assar o bolo perfeito. Em vez de todos trazerem suas receitas secretas de família para uma cozinha central (o que arriscaria alguém roubar uma receita), eles mantêm suas receitas em casa. Eles enviam ao servidor apenas o resultado de sua tentativa de assar (por exemplo, "adicionar 2 gramas a mais de açúcar") para que o grupo possa descobrir a receita perfeita juntos. Isso é Aprendizado Federado.

No entanto, há um problema: mesmo que eles enviem apenas o "ajuste de açúcar", um servidor intrometido (ou um hacker) poderia, às vezes, reverter a engenharia da receita original a partir desses pequenos ajustes.

Para corrigir isso, usamos Agregação Segura. É como colocar o bilhete de cada vizinho em uma caixa trancada, misturá-los todos e abrir a caixa apenas para ver a quantidade total de açúcar necessária, sem nunca ver quem enviou o quê.

O Problema com os Métodos Atuais

O artigo argumenta que as maneiras atuais de fazer essa mistura de "caixa trancada" são muito lentas e pesadas.

O Jeito Antigo (SECAGG): Imagine que cada vizinho precisa apertar a mão de todos os outros vizinhos para trocar chaves secretas antes de poder enviar seus bilhetes. Se houver 100 vizinhos, isso são quase 10.000 apertos de mão! É um congestionamento massivo.
O Jeito "De Uma Só Vez" (OPA): Isso é mais rápido. Todos enviam seu bilhete de uma só vez. Mas para desbloquear a mistura final, a matemática exigida é incrivelmente pesada, como tentar resolver um quebra-cabeça gigante de Sudoku apenas para ler uma lista de compras. Isso coloca um enorme fardo no computador de todos.

A Solução: DISAGG (Os "Degustadores")

Os autores propõem um novo método chamado DISAGG. Em vez de o servidor central fazer todo o trabalho pesado, ou de todos apertarem as mãos de todos, eles introduzem um pequeno grupo de vizinhos confiáveis chamados Agregadores.

Veja como o DISAGG funciona, passo a passo:

A Configuração: O servidor escolhe um pequeno grupo de vizinhos (digamos, 10 pessoas) para serem os Agregadores. Eles são como os "Degustadores" do grupo.
A Divisão Secreta: Cada vizinho regular pega seu bilhete de receita secreta e o corta em 10 pedaços minúsculos e embaralhados (como triturar um documento). Eles enviam um pedaço para cada um dos 10 Agregadores.
- Ponto Crucial: Nenhum Agregador individual vê o bilhete inteiro. Eles veem apenas um fragmento minúsculo e sem sentido.
A Mistura Local: Cada Agregador coleta os fragmentos de todos os vizinhos. Eles somam seus 10 pedaços localmente. Agora, em vez de 100 bilhetes, os Agregadores têm apenas 10 "somas parciais".
A Revelação Final: Os Agregadores enviam essas 10 somas parciais de volta ao servidor. O servidor as combina para obter a resposta final (a quantidade total de açúcar necessária).

Por Que Isso é Melhor (A Analogia)

Pense nisso como um jantar de potluck (cada um leva um prato):

Jeito Antigo: Todos trazem um prato, mas antes de poderem comer, todos têm que ficar em um círculo gigante, passando ingredientes de um lado para o outro para verificar a identidade de todos. Leva horas.
Jeito OPA: Todos trazem um prato, mas o chef tem que usar um liquidificador supercomplexo e pesado para misturá-los todos com segurança. O liquidificador é tão barulhento e lento que leva uma eternidade.
Jeito DISAGG: Todos trazem seu prato para uma pequena mesa de 10 "Degustadores". Os Degustadores misturam suas próprias pequenas tigelas de ingredientes. Então, eles apenas entregam as 10 tigelas misturadas ao Chef. O Chef mistura essas 10 tigelas e serve a refeição.

O Resultado:

Vizinhos Regulares (Clientes): Eles fazem muito pouco trabalho. Apenas cortam seu bilhete e o enviam. Sem matemática pesada.
O Chef (Servidor): Ele não precisa fazer o trabalho pesado de misturar milhares de bilhetes. Ele apenas mistura as 10 tigelas que os Degustadores enviaram.
Os Degustadores (Agregadores): Eles fazem o trabalho extra, mas como há apenas 10 deles, o grupo lida com isso facilmente.

Os Resultados

O artigo testou isso contra o melhor método atual (OPA) usando números massivos (100.000 clientes e modelos enormes).

Velocidade: O DISAGG foi 4,6 vezes mais rápido que o melhor método anterior.
Eficiência: Reduziu significativamente o trabalho pesado de computador para os usuários regulares e o servidor.
Privacidade: Permanece tão seguro. Mesmo que alguns Degustadores coludam (tentem trapacear), eles não conseguem descobrir qual era a receita de qualquer vizinho individual.

Resumo

DISAGG é uma maneira mais inteligente de misturar dados secretos em um grupo. Em vez de fazer todos fazerem matemática pesada ou forçar o servidor a fazer todo o trabalho, ele delega a mistura para uma pequena equipe especializada. Isso torna todo o processo muito mais rápido e leve, permitindo que milhões de pessoas aprendam juntas sem deixar seus telefones lentos ou revelar seus segredos.

Resumo Técnico: DISAGG – Agregadores Distribuídos para Agregação Segura Eficiente

1. Declaração do Problema

A Aprendizagem Federada (FL) permite o treinamento colaborativo de modelos mantendo os dados brutos locais, mas a FL padrão expõe as atualizações dos clientes a um servidor central, criando riscos de privacidade contra servidores "honestos, mas curiosos" por meio de ataques de inversão de gradiente. Protocolos de Agregação Segura (SA) abordam isso garantindo que o servidor aprenda apenas o agregado das atualizações, e não contribuições individuais.

No entanto, os protocolos de SA existentes enfrentam gargalos significativos de escalabilidade e eficiência em ambientes de produção caracterizados por grandes populações de clientes, conectividade intermitente e quedas de clientes:

Protocolos de múltiplas rodadas (por exemplo, SECAGG, SECAGG+): Dependem de trocas de chaves em pares e mecanismos de recuperação de múltiplas fases. Esses incorrem em sobrecarga de comunicação de $O(N^2)$ ou $O(N \log N)$ e introduzem barreiras de sincronização, tornando-os sensíveis a clientes lentos (stragglers) e quedas.
Protocolos de um único tiro (por exemplo, OPA): Reduzem a complexidade de rodadas para uma única interação por iteração, mas transferem o ônus para operações criptográficas pesadas (por exemplo, mascaramento baseado em Aprendizado com Erros, compartilhamento secreto de Shamir compactado). Isso resulta em sobrecarga computacional e de comunicação substancial que escala com a dimensão do modelo e o tamanho do comitê, particularmente para clientes e o servidor.

O desafio central é projetar um protocolo que mantenha a baixa complexidade de rodadas e a resiliência a quedas das abordagens de um único tiro, enquanto reduz significativamente a sobrecarga computacional e criptográfica em clientes regulares e no servidor.

2. Metodologia: O Protocolo DISAGG

Os autores propõem o DISAGG (Agregadores Distribuídos), um novo protocolo de agregação segura que distribui a carga de trabalho de agregação para um pequeno comitê aleatoriamente selecionado de clientes chamado Agregadores.

Mecanismo Central

Ao contrário de esquemas tradicionais onde o servidor realiza a agregação final ou os clientes mascaram suas atualizações com chaves em pares, o DISAGG aproveita o Cálculo Codificado de Lagrange (LCC) e o Compartilhamento Secreto:

Configuração (Rodada 0): O servidor seleciona um conjunto de clientes participantes ( $U$ ) e distribui parâmetros do sistema.
Compartilhamento Secreto e Upload (Rodada 1):
- O servidor seleciona aleatoriamente um subconjunto de clientes ( $A$ ) para atuar como Agregadores.
- Clientes regulares codificam seus vetores de atualização de modelo ( $x_i$ ) em partes secretas usando interpolação de Lagrange.
- Cada cliente criptografa suas partes usando as chaves públicas dos Agregadores e as envia ao servidor.
- Crucialmente, os clientes não realizam mascaramento local ou trocas de chaves em pares com todos os outros clientes.
Agregação Distribuída (Rodada 2):
- O servidor encaminha as partes recebidas aos Agregadores.
- Os Agregadores descriptografam as partes, calculam localmente a soma parcial das partes que receberam e retornam essas partes agregadas ao servidor.
- O servidor reconstrói a atualização global do modelo combinando as partes agregadas de um número suficiente de Agregadores sobreviventes.

Segurança e Robustez

Modelo de Ameaça: O protocolo assume um servidor honesto, mas curioso, e tolera uma fração $\gamma$ de clientes colusivos e $\delta$ de clientes caídos.
Privacidade: Oferece segurança teórica da informação (privacidade-T). Mesmo que até $t_c$ Agregadores coludam, eles não aprendem nada sobre as atualizações individuais dos clientes além da soma, alcançado pela adição de vetores de mascaramento aleatórios durante o processo de compartilhamento secreto.
Correção: O protocolo é robusto a quedas. Desde que o número de Agregadores sobreviventes exceda o limiar de reconstrução ( $t_r$ ), o servidor pode reconstruir com sucesso a soma.

3. Principais Contribuições

Projeto de Protocolo Inovador: O DISAGG é o primeiro protocolo a aplicar a soma distribuída baseada em comitê diretamente à agregação de modelos usando compartilhamento secreto, eliminando a necessidade de mascaramento criptográfico local e mecanismos complexos de recuperação de quedas encontrados no SECAGG/SECAGG+.
Análise Teórica: Os autores estendem análises teóricas para seleção de limiar de compartilhamento secreto para incluir restrições realistas, modelando tanto clientes caídos quanto corrompidos como variáveis aleatórias e incorporando limites de tolerância a falhas bizantinas para derivar parâmetros ótimos para o tamanho do comitê de Agregadores.
Framework de Desempenho: Um framework de análise de tempo é desenvolvido para comparar o DISAGG com protocolos de última geração (especificamente OPA) sem exigir simulações em escala total, levando em conta tanto complexidades de computação quanto de comunicação sob restrições de rede realistas (por exemplo, velocidades 5G).

4. Resultados e Desempenho

O artigo avalia o DISAGG contra SECAGG, SECAGG+, LIGHTSECAGG e OPA em vários tamanhos de modelo ( $M$ ) e contagens de clientes ( $N$ ).

Aceleração: Em configurações realistas entre dispositivos (por exemplo, $N=100k$ clientes, $M=100k$ parâmetros, conectividade 5G), o DISAGG alcança uma aceleração de 4,6x sobre o OPA, o protocolo anterior mais rápido. A análise teórica sugere acelerações potenciais de até 25x sob configurações específicas ( $M=1M, N=1M$ ).
Redução de Complexidade:
- Lado do Cliente: O DISAGG reduz a computação do cliente de $O(\lambda M)$ (no OPA, onde $\lambda$ é um parâmetro de segurança) para $O(M \log A)$ , removendo operações criptográficas pesadas.
- Lado do Servidor: A computação do servidor é reduzida de $O(NM + \lambda A)$ para $O(M \log A)$ , pois o servidor evita decodificar textos cifrados pesados.
- Compromisso: Os ganhos de eficiência vêm ao custo de aumento de comunicação e computação para os Agregadores. No entanto, o artigo demonstra que, ajustando o fator de compactação ( $\rho$ ) e o número de Agregadores ( $A$ ), essa sobrecarga pode ser gerenciada enquanto mantém acelerações significativas no sistema geral.
Robustez: O DISAGG mantém uma aceleração de mais de 4x sobre o OPA mesmo sob fatores combinados de queda e colusão ( $k = \gamma + \delta$ ) de até 0,3.
Utilidade do Modelo: Experimentos em diversos conjuntos de dados (MNIST, CIFAR, CelebA, SST2) confirmam que o DISAGG alcança convergência e precisão comparáveis à agregação em texto simples e ao OPA, com degradação negligenciável devido à quantização.

5. Significado e Alegações

O artigo alega que o DISAGG conecta com sucesso a lacuna entre a baixa complexidade de rodadas dos protocolos modernos de um único tiro e a eficiência computacional necessária para Aprendizagem Federada em grande escala e entre dispositivos.

Eficiência: Ao transferir o ônus da agregação para um pequeno comitê especializado, o DISAGG elimina a sobrecarga criptográfica "pesada" que dificultou a adoção de protocolos de um único tiro em dispositivos de borda com recursos limitados.
Escalabilidade: O protocolo escala efetivamente para milhões de clientes e parâmetros, abordando as barreiras de sincronização e a sensibilidade a clientes lentos que afligem protocolos de múltiplas rodadas.
Praticidade: Os autores afirmam que o DISAGG oferece uma solução prática para implantações reais de FL onde a heterogeneidade de rede e a volatilidade dos clientes são comuns, fornecendo um forte equilíbrio entre garantias de privacidade (segurança teórica da informação) e desempenho do sistema.

O trabalho conclui que a agregação distribuída via compartilhamento secreto é uma alternativa viável e superior para agregação segura eficiente em aprendizagem federada, particularmente em cenários que demandam alta vazão e baixa latência.