基于联邦学习与乐观 Rollup 的服务质量合规系统
密码学与安全
2023-12-04 v1 机器学习
摘要
边缘计算带来了一种新范式，即将计算、存储和带宽资源尽可能靠近产生大量数据的移动设备或传感器进行共享。一个并行趋势是手机和平板成为许多人的主要计算设备。这些设备上强大的传感器结合其移动性，意味着它们能访问前所未有地多样且私密的数据。在此类数据上学习的模型有望通过驱动更智能的应用大幅改善可用性，但数据的敏感性意味着集中存储存在风险与责任。为满足这些设备上部分数据所需的隐私，我们提出使用联邦学习（FL），使客户端所执行服务的具体数据不离开源设备。用户不共享数据，而是通过仅向服务器发送权重更新来协作训练模型。然而，此类场景中朴素使用 FL 使其在训练阶段面临无论有意或无意的损坏风险。为提升 FL 结构的安全性，我们提出一种边缘计算场景下基于去中心化区块链的 FL。我们还应用区块链在 FL 中创建奖励机制以实现对训练者的激励策略。
引用
@article{arxiv.2312.00026,
title = {A Quality-of-Service Compliance System using Federated Learning and Optimistic Rollups},
author = {Joao Paulo de Brito Goncalves and Guilherme Emerick Sathler and Rodolfo da Silva Villaca},
journal= {arXiv preprint arXiv:2312.00026},
year = {2023}
}