AutoDFL：面向可扩展自动化声誉感知的去中心化联邦学习
分布式、并行与集群计算
2025-01-09 v1 密码学与安全
新兴技术
机器学习
摘要
区块链联邦学习（BFL）将联邦学习和区块链技术结合起来，用于增强协作式机器学习模型的隐私、安全性和透明度。然而，实现 BFL 框架在可扩展性和经济性方面存在挑战。声誉感知的 BFL 面临更大的挑战，因为区块链验证器需要处理联邦学习交易以及评估 FL 任务和聚合声誉的交易。这导致区块链更快地拥堵和性能下降。为了提高 BFL 的效率同时增加可扩展性和降低链上声誉管理成本，本文提出 AutoDFL，一个可扩展且自动化的声誉感知去中心化联邦学习框架。AutoDFL 利用 zk-Rollups 作为第 2 层扩缩放解决方案以提升性能，同时保持与底层第 1 层区块链相同的安全性。此外，AutoDFL 引入一种自动化且公平的声誉模型，用于激励联邦学习参与者。我们开发了一个概念验证，用于准确评估。使用各种自定义工作负载测试，AutoDFL 在平均吞吐量超过 3000 TPS 同时实现了最高可达 20 倍的 gas 降低。
关键词
引用
@article{arxiv.2501.04331,
title = {AutoDFL: A Scalable and Automated Reputation-Aware Decentralized Federated Learning},
author = {Meryem Malak Dif and Mouhamed Amine Bouchiha and Mourad Rabah and Yacine Ghamri-Doudane},
journal= {arXiv preprint arXiv:2501.04331},
year = {2025}
}
备注
Paper accepted at NOMS'2025 (pages 9, figures 5)