NVNL-FL: Aprendizado Federado Eficiente com Criptografia Homomórfica

Este repositório contém o código do NVNL-FL, uma solução eficiente para Aprendizado Federado (FL) em cenários cross-silo utilizando Criptografia Homomórfica (HE). A proposta combina técnicas de empacotamento, esparsificação e janela deslizante para reduzir overheads computacionais e de comunicação, garantindo privacidade dos dados sem comprometer o desempenho do modelo.

🚀 Funcionalidades

• Aprendizado Federado Seguro: Utiliza Criptografia Homomórfica (HE) para preservar a privacidade dos dados.
• Redução de Overheads: Implementa técnicas de empacotamento e esparsificação para otimizar a comunicação e o processamento.
• Robustez em Dados Não-IID: Desempenho garantido mesmo em cenários com dados heterogêneos.

---

📋 Pré-requisitos

• Docker e Docker Compose: Para configurar o ambiente em contêineres.
• Python 3.8+ com as bibliotecas:
  • tensorflow
  • flower
  • tenseal
  • numpy
  • matplotlib
  • gmpy2

---

⚙️ Utilização

1. Clone o repositório

$ git clone https://github.com/SeuUsuario/nvnl-fl.git
$ cd nvnl-fl

2. Gere as imagens Docker

Use o Docker configurar o ambiente do servidor e dos clientes.

$ docker build -t flhe:server server/.
$ docker build -t flhe:client client/.

3. Gere o arquivo Yaml do ambiente

Se preferir rodar localmente (fora do Docker), instale as dependências manualmente:

$ python3 create_dockercompose.py -c 10 -s FedPHE -d MNIST -r 100 -f 0.5 --niid True --dirichilet 0.1 --percentage 0.3 --technique robin_round
# -c : Numero de clientes
# -s : Solução [BFV, CKKS, BatchCrypt, FedPHE, plaintext]
# -d : Dataset [Mnist,FashionMnist]
# -r : Numero de rodadas de comunicação
# -f : Fator de clientes agregados [0,...,1]
# --niid : Cenario IID ou Não-IID  [True,False]
# --dirichilet: Fator Dirichilet [0,...,1]
# --percentage: Porcentagem de pacotes enviados para agregação [0,...,1]
# --technique: Tecnica para seleção de pacotes [topk,robin_round,slided_window,weight_random]

---

4. Gere as chaves dos esquema de criptografia

$ python3 generate_keys.py

5. Execução

$ docker compose -f nome_do_arquivo.yaml up

Reproduza nossos resultados:

Nesse repositorio, é possivel encontrar todos os componente necessarios para reproduzir a pesquisa. A instrução abaixo reproduz resultados Não-IID, com alpha Dirichilet 10% e 30% de agregação dos pacotes usando a janela deslizante com passo de mesmo tamanho da janela (Robin Round)

$ python3.10 create_dockercompose.py -c 10 -s FedPHE -d MNIST -r 100 -f 0.5 --niid True --dirichilet 0.1 --percentage 0.3 --technique robin_round

Para reproduzir os outros resultados, modifique:

1. --dirichilet para 1
2. --percentage para 0.5 e 0.8
3. --technique pode ser trocada para slided_window, que utiliza passo 50% dos pacotes agregados.

---

📂 Estrutura do Repositório

├── cliente/
│   ├── client.py        # Código base dos clientes FL
│   ├── literature.py    # Implementação de técnicas da literatura
│   ├── models.py        # Implementação dos modelos ML
│   ├── client_utils.py  # Funções auxiliares do cliente
│   ├── encryption/
│   │   ├── bfv.py           # Implementação da tecnica BFV
│   │   ├── ckks.py          # Implementação da tecnica CKKS
│   │   └── paillier.py      # Implementação da tecnica Paillier
├── server/
│   ├── server.py        # Código base dos server FL
│   ├── server_utils.py  # Funções auxiliares do cliente
├── logs/ # Resultados das execuções
├── docker-compose.yml   # Configuração Docker
├── requirements.txt     # Dependências do projeto
└── README.md            # Documentação do projeto

---

📊 Resultados Experimentais

Os experimentos utilizaram os datasets MNIST e FashionMNIST, treinados com uma DNN de 128, 64 e 32 neurônios para o MNIST e a arquitetura LeNet-5 para o FashionMNIST. O treinamento foi realizado com Stochastic Gradient Descent (SGD) e função de perda Sparse Categorical Crossentropy. Para criptografia homomórfica, foram testados os esquemas CKKS, BFV, Batchcrypt,FedPHE e NVNL. O número total de clientes foi 10, com 50% selecionados por rodada ao longo de 100 rodadas de comunicação. A heterogeneidade dos dados foi controlada pela distribuição de Dirichlet, variando entre IID (α = 1) e não-IID (α = 0,1)

Dados	Soluções	Acurácia (%)	TX Bytes (Mb)	Tempo (s)	Acurácia (%)	TX Bytes (Mb)	Tempo (s)
		MNIST			FashionMNIST
IID	FedAvg	0.97	449.49	0.59	0.90	272.25	2.06
	BFV	0.97	3009.08	1.21	0.90	1719.48	2.46
	CKKS	0.97	4651.85	0.89	0.90	2658.22	2.22
	BatchCrypt	0.97	571.77	32.14	0.88	317.68	20.35
	FedPHE	0.94	996.94	0.72	0.81	664.63	2.26
	NVNL-FL	0.96	996.95	0.76	0.85	664.63	2.36
Não-IID	FedAvg	0.97	449.49	0.53	0.84	272.25	1.69
	BFV	0.95	3009.08	1.15	0.79	1719.48	2.21
	CKKS	0.95	4651.85	0.82	0.81	2658.22	1.94
	BatchCrypt	0.95	571.77	31.96	0.83	317.68	19.99
	FedPHE	0.49	996.94	0.71	0.35	664.63	2.26
	NVNL-FL	0.92	996.95	0.77	0.75	664.63	2.36

Dados IID

Dados Não IID

📜 Referências

Este trabalho é baseado no artigo:

"O Que Não é Visto, Não é Lembrado: Aprendizado Federado Eficiente com Criptografia Homomórfica"
Yuri Dimitre D. Faria, Allan M. de Souza
Instituto de Computação - Universidade Estadual de Campinas

---

🤝 Agradecimentos

Expresso minha gratidão aos seguintes projetos e seus contribuintes pelos seus trabalhos e contribuições acadêmicas:

• FedPHE - pelo artigo "Efficient and Straggler-Resistant Homomorphic Encryption for Heterogeneous Federated Learning", que foi uma base essencial para esse projeto.
• BatchCrypt - pelo artigo "BatchCrypt: Efficient Homomorphic Encryption for Cross-Silo Federated Learning".
• FLASHE - pela sua contribuição tecnicas de otimização de esparcificação de pacotes.

💬 Citação

@inproceedings{nvnl_fl,
 author = {Yuri D. Faria and Luiz F. Bittencourt and Leandro A. Villas and Allan M. de Souza},
 title = {O Que Não é Visto, Não é Lembrado: Aprendizado Federado Eficiente com Criptografia Homomórfica},
 booktitle = {Anais do XLIII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos},
 location = {Natal/RN},
 year = {2025},
 keywords = {},
 issn = {2177-9384},
 pages = {1--14},
 publisher = {SBC},
 address = {Porto Alegre, RS, Brasil},
}

---

📄 Licença

Este projeto está licenciado sob a licença MIT. Consulte o arquivo LICENSE para mais detalhes.