一种基于区块链的带委员会共识的去中心化联邦学习框架

联邦学习已被广泛研究并应用于多种场景。在移动计算场景中，联邦学习保护用户免于暴露其私有数据，同时协作训练用于各种实际应用的全局模型。然而，由于恶意客户端或中心服务器对全局模型或用户隐私数据的持续攻击，联邦学习的安全性正日益受到质疑。为解决这些安全问题，我们提出了一种基于区块链的去中心化联邦学习框架，即带委员会共识的基于区块链的联邦学习框架（BFLC）。该框架使用区块链进行全局模型存储与本地模型更新交换。为实现所提出的 BFLC，我们还设计了一种创新的委员会共识机制，可有效减少共识计算量并降低恶意攻击。随后我们讨论了 BFLC 的可扩展性，包括理论安全性、存储优化与激励机制。最后，我们使用真实世界数据集进行实验以验证 BFLC 框架的有效性。