Resumo Técnico: PRoVeFL

1. Declaração do Problema

O Aprendizado Federado (FL) permite o treinamento colaborativo de modelos preservando a localidade dos dados, mas os frameworks padrão enfrentam uma tríade de desafios de segurança:

• Privacidade: O FL tradicional assume um servidor honesto-mas-curioso, mas as atualizações do modelo podem vazar informações sensíveis via ataques de inferência. Embora tecnologias como Computação Multipartidária Segura (SMPC) e Criptografia Totalmente Homomórfica (FHE) ofereçam privacidade, elas frequentemente obscurecem os dados tão profundamente que identificar atualizações maliciosas torna-se difícil.
• Robustez Bizantina: Clientes maliciosos podem envenenar o modelo global através de atualizações planejadas. Embora existam regras de agregação robustas (ex: Krum, Trimmed Mean), integrá-las com garantias de privacidade fortes frequentemente acarreta custos proibitivos de computação e comunicação ou depende de suposições de confiança relaxadas.
• Verificabilidade: Os clientes devem confiar que o servidor agrega as atualizações corretamente e aplica as regras de robustez. Os protocolos de agregação verificável existentes muitas vezes assumem que todas as entradas dos clientes são legítimas ou falham em suportar algoritmos de robustez complexos e de última geração.

As soluções atuais lutam para alcançar simultaneamente privacidade, robustez bizantina e verificabilidade sem incorrer em custos massivos de desempenho ou restringir os tipos de regras de agregação que podem ser utilizadas.

2. Metodologia: O Framework PRoVeFL

Os autores propõem o PRoVeFL (Private Robust and Verifiable FL), um framework modular projetado para satisfazer todas as três propriedades simultaneamente. O sistema emprega uma arquitetura de múltiplos servidores (exigindo pelo menos dois servidores, com a premissa de que pelo menos um é honesto) e utiliza Criptografia Totalmente Homomórfica de Múltiplas Chaves (MK-FHE).

Princípios Arquiteturais Principais

1. MK-FHE & Decriptação de Limiar (Threshold Decryption): Os clientes criptografam suas atualizações locais sob uma chave pública de grupo derivada das fatias de chaves individuais dos servidores. Nenhum servidor único detém a chave secreta completa; a decriptação requer colaboração. Isso garante que as atualizações dos clientes permaneçam privadas, a menos que todos os servidores coludam.
2. Modelo de Computação Híbrida (Offloading de Ciphertext-para-Plaintext): Uma inovação central do PRoVeFL é o uso de uma máscara multiplicativa aleatória ($r$).
   • Os clientes criptografam suas atualizações e as multiplicam homomorficamente por uma máscara aleatória criptografada $Enc_{pk}(r)$.
   • Os servidores realizam operações estatísticas necessárias (ex: cálculos de distância, ordenação) sobre os dados mascarados e criptografados.
   • Os servidores colaboram para decriptar os resultados, revelando apenas os valores intermediários mascarados ($r \cdot \text{valor}$).
   • Como a máscara aleatória $r$ é desconhecida para qualquer parte individual e muda a cada rodada, os valores em texto claro permanecem ocultos. No entanto, a máscara preserva a ordenação relativa dos valores.
   • Isso permite que operações não lineares computacionalmente caras (como ordenação, comparação e seleção para robustez) sejam realizadas de forma eficiente no domínio do texto claro (plaintext domain) sobre os valores mascarados, em vez de serem realizadas inteiramente dentro do custoso domínio do texto cifrado (ciphertext domain).
3. Verificação Baseada em Compromisso (Commitment-Based Verification): Para garantir a integridade, os clientes publicam compromissos de logaritmo discreto para seus dados. Os servidores geram provas criptográficas para suas etapas de agregação. Servidores pares verificam essas provas usando pareamentos bilineares ou leis de grupo antes de prosseguir. Se a verificação falhar, o protocolo aborta, impedindo a aceitação de resultados adulterados.

Instanciação de Regras de Agregação

O PRoVeFL é projetado para ser compatível com uma ampla gama de algoritmos de robustez bizantina ao mapear sua lógica para quatro primitivas criptográficas principais: Agregação Linear (LA), Avaliação Estatística de Pares (PSE), Comparação e Ordenação Segura (SCO) e Seleção e Filtragem (SF). O artigo demonstra isso ao instanciar:

• Krum: Computa distâncias euclidianas de pares no domínio criptografado, decripta distâncias mascaradas e seleciona a atualização com a pontuação mínima em texto claro.
• Trimmed Mean: Computa diferenças por coordenada, ordena-as usando uma rede de comparação-e-troca segura (Batcher's odd-even mergesort) em dados criptografados, decripta as diferenças mascaradas e remove os extremos em texto claro.
• FLTrust: Computa pesos de similaridade de cosseno contra um vetor de referência confiável no domínio criptografado, decripta pontuações mascaradas e realiza a média ponderada em texto claro.
• MESAS: O framework é notado como extensível a outros esquemas complexos envolvendo cálculos de agrupamento (clustering) e variância.

3. Principais Contribuições

• Framework Unificado: O PRoVeFL é o primeiro framework a garantir simultaneamente a privacidade da atualização do cliente, robustez bizantina e verificabilidade do lado do servidor sob um modelo de confiança distribuída (assumindo pelo menos um servidor honesto).
• Eficiência via Computação Híbrida: Ao realizar o offloading da lógica complexa de seleção e filtragem para o domínio do texto claro usando uma máscara multiplicativa aleatória, o PRoVeFL reduz significamente a carga computacional em comparação com abordagens puramente baseadas em FHE.
• Flexibilidade Algorítmica: Diferente de trabalhos anteriores que impõem heurísticas simples (ex: clipping de norma), o PRoVeFL suporta regras de agregação complexas e de última geração (Krum, Trimmed Mean, FLTrust, MESAS) que exigem ordenação e comparações de pares.
• Escalabilidade: O design de múltiplos servidores distribui a carga computacional. O framework escala com o número de servidores sem sobrecarregar os clientes com comunicação ou computação adicional.

4. Resultados e Avaliação

Os autores avaliam o PRoVeFL através de variações no número de parâmetros, participantes e servidores, comparando-o com os trabalhos de confiança distribuída Prio e ELSA.

• Desempenho: O PRoVeFL demonstra melhorias significativas de tempo de execução, alcançando acelerações de até 100× sobre o Prio e 10× sobre o ELSA, mantendo garantias de segurança comparáveis.
• Escalabilidade: O sistema mantém a eficiência à medida que o número de parâmetros e participantes aumenta, validando a arquitetura modular de múltiplos servidores.
• Compatibilidade: A implementação bem-sucedida de Krum, Trimmed Mean, FLTrust e MESAS confirma a capacidade do framework de lidar com diversas operações estatísticas necessárias para agregação robusta.

5. Significância e Alegações

O artigo afirma que o PRoVeFL aborda o trade-off fundamental entre privacidade, integridade e verificabilidade no Aprendizado Federado. Ao introduzir uma arquitetura de múltiplos servidores modular que combina estrategicamente MK-FHE com computação controlada em texto claro, os autores argumentam que o PRoVeFL torna o FL robusto e verificável prático para implantação no mundo real.

A significância reside em ir além de medidas de robustez "simples" (como o clipping de norma) para suportar defesas complexas e de última geração sem sacrificar a privacidade ou incorrer nos custos proibitivos da avaliação puramente homomórfica. O framework fornece um caminho para implantar FL em ambientes de alto risco (ex: saúde, finanças) onde a privacidade dos dados, a integridade do modelo e a capacidade de auditar o processo de agregação são simultaneamente críticas.