基于区块链的安全与隐私保护联邦学习综述：理论与资源受限计算中的应用
密码学与安全
2023-03-27 v1 分布式、并行与集群计算
机器学习
摘要
联邦学习（FL）近年来因先进机器学习与人工智能的快速发展以及新兴的安全与隐私威胁而广受欢迎。FL 无需向任何实体泄露敏感数据，即可利用边缘设备的本地数据存储高效生成模型。尽管该范式部分缓解了用户敏感数据的隐私问题，FL 过程的性能仍可能因日益增长的网络威胁与隐私侵犯技术而受威胁并遭遇瓶颈。为加速 FL 过程的推广，将区块链集成至 FL 环境已引起学术界与工业界的广泛关注。区块链凭借去中心化、不可篡改、共识与透明特性，有潜力防范安全与隐私威胁。然而，若区块链机制需昂贵计算资源，则资源受限的 FL 客户端无法参与训练。有鉴于此，本综述聚焦于审视在资源受限 FL 环境中成功部署区块链的挑战、解决方案与未来方向。我们全面回顾适用于 FL 过程的各类区块链机制，并讨论其在有限资源预算下的权衡。进一步，我们广泛分析资源受限 FL 环境中可能出现的网络威胁，以及区块链如何发挥关键作用以阻断这些网络攻击。为此，我们强调了一些区块链与联邦学习耦合的潜在方案，其可提供高水平可靠性、数据隐私与分布式计算性能。
引用
@article{arxiv.2303.13727,
title = {A Survey on Secure and Private Federated Learning Using Blockchain: Theory and Application in Resource-constrained Computing},
author = {Ervin Moore and Ahmed Imteaj and Shabnam Rezapour and M. Hadi Amini},
journal= {arXiv preprint arXiv:2303.13727},
year = {2023}
}