Целью работы является повышение уровня защищенности центральной модели в системах федеративного обучения. Предметом исследования являются методы обеспечения целостности центральной вычислительной модели в системах федеративного обучения. Задачи, решаемые в ходе исследования: 1. Исследование особенностей обеспечения защищенности центральной вычислительной модели при федеративном обучении. 2. Разработка подхода, обеспечивающего целостность центральной вычислительной модели и конфиденциальность данных в системах федеративного обучения. 3. Экспериментальные исследования разработанного решения. В ходе работы были исследованы угрозы целостности центральной модели при федеративном обучении. Были проанализированы современные исследования в области обеспечения безопасности федеративного обучения. В результате работы был разработан подход, позволяющий обеспечить безопасность центральной вычислительной модели федеративного обучения от внешних и внутренних угроз. В данном подходе использование гомоморфного шифрования обеспечивает конфиденциальность данных и защищает модель от атак внешних злоумышленников. Для защиты от внутренних нарушителей был разработан метод «доверенной группы узлов», с помощью которого выполняется проверка обновлений клиентов перед агрегацией. Полученные результаты могут быть использованы в качестве основы для проектирования систем федеративного обучения.

The purpose of the study is to increase the level of security of the global model in federated learning systems. The subject of the research is the methods of ensuring the integrity of the global model in federated learning systems. The research set the following goals: 1. Research of the features of ensuring the security of the global model in federated learning. 2. Development of an approach that ensures the integrity of the global model and data confidentiality in federated learning systems. 3. Experimental studies of the developed solution. During the work Linux kernel network stack implementation and architecture were studied. Modern studies in Linux kernel security and vulnerabilities scanning areas were analyzed. The work resulted in development of an approach to ensure the security of the global model of federated learning from external and internal threats. In this approach, the use of homomorphic encryption ensures data confidentiality and protects the model from attacks by external intruders. To protect against internal intruders, the "trusted node group" method was developed, which checks for client updates before aggregation. The results could be used as a base for the design of federated learning systems.