SecureDrive-FL: Joint Differential Privacy and Gradient-Aware Selective Homomorphic Encryption for Federated Driver Monitoring

📄 arXiv: 2608.27108v1 📥 PDF

作者: Baran Can Gül, Hanuma Siddhartha Tunuguntla, Anjana Arvind Naik, Abhishek Vijay Potekar, Nasser Jazdi, Michael Weyrich

分类: cs.CR, cs.LG

发布日期: 2026-08-27

💡 一句话要点

提出SecureDrive-FL解决联邦学习中的隐私与安全问题

🎯 匹配领域: 支柱五：交互与反应 (Interaction & Reaction)

关键词: 联邦学习 差分隐私 同态加密 驾驶监控 模型安全 梯度更新 隐私保护

📋 核心要点

  1. 现有的联邦学习方法在梯度更新过程中存在隐私泄露风险，容易受到中间人攻击和模型中毒的影响。
  2. 本文提出了一种新的选择性同态加密策略GASHE，仅加密超出差分隐私敏感性阈值的梯度分量，提升了隐私保护效果。
  3. SecureDrive-FL在驾驶员分心分类任务中表现出色，准确率与DP-SGD相当，同时在抵御中间人攻击方面表现优异。

📝 摘要（中文）

联邦学习（FL）使得隐私保护的分布式训练成为可能，但梯度更新仍然容易受到攻击：中间人攻击（MitM）可以在传输过程中暴露更新，而模型中毒则会破坏全局收敛。本文首次引入了GASHE（梯度感知选择性同态加密），这是一种新颖的选择性加密策略，动态识别并加密仅超出差分隐私（DP）校准敏感性阈值的梯度分量。基于GASHE，本文提出了SecureDrive-FL，一个结合DP-SGD与GASHE的联邦驾驶监控框架，形成了首个闭环的DP+HE隐私管道。实验表明，SecureDrive-FL在非独立同分布的联邦拆分下，能够与单独使用DP-SGD的抗攻击能力相匹配，同时抵御MitM攻击，且仅增加约8-10%的运行时开销。

🔬 方法详解

问题定义：本文旨在解决联邦学习中梯度更新的隐私泄露问题，现有方法在面对中间人攻击和模型中毒时表现不佳，导致全局模型的安全性和准确性受到威胁。

核心思路：论文提出的GASHE策略通过动态识别和加密梯度分量，避免了全参数的静态加密，从而提高了隐私保护的灵活性和效率。SecureDrive-FL框架将差分隐私与同态加密结合，形成闭环隐私保护机制。

技术框架：SecureDrive-FL框架包括两个主要模块：DP-SGD用于梯度更新和隐私保护，GASHE用于选择性加密。DP-SGD的校准参数直接影响GASHE的加密掩码，实现了训练时隐私与通信时机密性的统一。

关键创新：GASHE是本文的核心创新点，通过选择性加密策略，显著降低了加密过程中的计算开销，同时提高了对中间人攻击的抵御能力。这与现有的全参数加密方法形成了鲜明对比。

关键设计：在GASHE中，敏感性阈值的设定基于差分隐私的校准参数，确保只有重要的梯度信息被加密。此外，实验中使用的DP-SGD噪声注入参数为每轮隐私参数epsilon_0=4，确保了隐私保护的有效性。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

实验结果显示，SecureDrive-FL在十类分心驾驶员分类任务中，准确率与单独使用DP-SGD相当（73.6% vs. 74.0%），且在抵御中间人攻击方面表现优异，准确率从78.2%降至10.4%。相较于DP-SGD，SecureDrive-FL仅增加约8-10%的运行时开销，展现了良好的性能与效率平衡。

🎯 应用场景

该研究的潜在应用领域包括智能驾驶、远程监控和其他需要保护用户隐私的分布式学习场景。通过提高联邦学习的安全性，SecureDrive-FL能够在保护用户数据的同时，提升模型的准确性和可靠性，具有重要的实际价值和未来影响。

📄 摘要（原文）

Federated Learning (FL) enables privacy-aware distributed training, yet gradient updates remain exploitable: Man-in-the-Middle (MitM) interception exposes updates in transit, while model poisoning corrupts global convergence. We first introduce GASHE (Gradient-Aware Selective Homomorphic Encryption), a novel selective encryption strategy that dynamically identifies and encrypts only the gradient components exceeding a DP-calibrated sensitivity threshold, rather than encrypting all parameters uniformly as in static layer-based or full-parameter CKKS schemes. Building on GASHE, we introduce SecureDrive-FL, a federated driver monitoring framework that couples DP-SGD with GASHE to create the first closed-loop DP+HE privacy pipeline: DP-SGD calibration parameters directly derive the GASHE encryption mask, unifying training-time privacy and communication-time confidentiality. Evaluated on a ten-class distracted driver classification task under non-IID federated splits, SecureDrive-FL matches DP-SGD alone's poisoning resistance (73.6% vs. 74.0% accuracy, 3.9% Attack Success Rate for both) while additionally withstanding MitM interception, where DP-SGD alone collapses to near-random accuracy (78.2% vs. 10.4%), all under only approx. 8--10% additional runtime overhead relative to DP-SGD alone---under DP-SGD noise injection with per-round privacy parameter epsilon_0=4.