边缘计算中基于区块链赋能的多聚合器联邦学习架构及深度强化学习优化
分布式、并行与集群计算
2023-10-17 v1 密码学与安全
机器学习
摘要
联邦学习（FL）正成为一种备受青睐的分布式机器学习架构，其优势在于无需直接暴露原始数据即可进行模型训练。随着网络基础设施的发展，FL 已无缝集成到边缘计算中。然而，边缘设备资源有限，给此类场景下的 FL 带来了安全漏洞。尽管区块链技术有望增强安全性，但在资源受限的边缘设备上实际部署仍具挑战。此外，文献中关于边缘计算中多聚合器 FL 的探索仍属新颖。针对这些空白，我们提出了区块链赋能的异构多聚合器联邦学习架构（BMA-FL）。我们设计了一种新型轻量级拜占庭共识机制，即 PBCM，以在 BMA-FL 中实现安全快速的模型聚合与同步。我们还深入研究了 BMA-FL 中的异构性问题，即聚合器关联着数量不一、具有 Non-IID 数据分布和不同训练速度的连接训练器。我们提出了一种多智能体深度强化学习算法，以帮助聚合器决定最佳训练策略。在真实数据集上的实验证明了 BMA-FL 比基线更快获得更优模型的效率，显示了 PBCM 和所提深度强化学习算法的有效性。
引用
@article{arxiv.2310.09665,
title = {A Blockchain-empowered Multi-Aggregator Federated Learning Architecture in Edge Computing with Deep Reinforcement Learning Optimization},
author = {Xiao Li and Weili Wu},
journal= {arXiv preprint arXiv:2310.09665},
year = {2023}
}