B^2SFL：用于基于安全联邦学习的交通预测的双层区块链架构
密码学与安全
2023-10-24 v1 人工智能
分布式、并行与集群计算
摘要
联邦学习（FL）是一种隐私保护机器学习（ML）技术，能够基于聚合分布式本地模型更新来协作训练和学习全局 ML 模型。然而，由于恶意参与者和中心化 FL 服务器，安全与隐私保障可能受损。本文提出一种用于基于安全联邦学习的交通预测的双层区块链架构。底层与顶层区块链分别存储本地模型和全局聚合参数，分布式同态加密联邦平均（DHFA）方案解决了安全计算问题。我们提出部分私钥分发协议与部分同态加密/解密方案，以实现分布式隐私保护联邦平均模型。我们进行了大量实验来测量 DHFA 操作的运行时间，量化区块链网络的读写性能，并阐明不同区域组规模和模型复杂度对在线交通流预测任务所得预测精度的影响。结果表明，所提系统能够促进面向真实世界交通预测任务的安全去中心化联邦学习。
引用
@article{arxiv.2310.14669,
title = {B^2SFL: A Bi-level Blockchained Architecture for Secure Federated Learning-based Traffic Prediction},
author = {Hao Guo and Collin Meese and Wanxin Li and Chien-Chung Shen and Mark Nejad},
journal= {arXiv preprint arXiv:2310.14669},
year = {2023}
}
备注
Paper accepted for publication in IEEE Transactions on Services Computing (TSC)