基于区块链与联邦边缘学习的隐私保护移动群智感知
密码学与安全
2021-10-19 v1 人工智能
摘要
移动群智感知(MCS)依托海量工人的流动性,以更灵活、更低成本的方式帮助请求者完成各类感知任务。然而,对于传统 MCS,原始数据传输的巨大通信资源消耗以及对数据存储与计算能力的高要求,阻碍了资源受限的潜在请求者使用 MCS。为促进 MCS 的广泛应用,我们提出了一种新颖的 MCS 学习框架,利用区块链技术与基于联邦学习(FL)的边缘智能新概念,涉及请求者、区块链、边缘服务器和作为工人的移动设备四类主要实体。尽管已有若干关于基于区块链的 MCS 和基于区块链的 FL 的研究,它们无法解决 MCS 在容纳资源受限请求者方面的本质挑战,也难以应对请求者与工人在学习过程中参与所带来的隐私问题。为弥补这些不足,我们设计了任务发布、数据感知与提交、学习返回最终结果、支付结算与分配四个主要流程,以应对内部与外部威胁(如恶意边缘服务器与不诚实请求者)带来的主要挑战。具体而言,提出了一种基于机制设计的数据提交规则,以保证移动设备的数据隐私在边缘服务器处被真实保留;阐述了基于联盟区块链的 FL 以保护分布式学习过程;并设计了一种促进合作的控制策略以引导请求者全额支付。我们进行了大量仿真来评估所设计方案的性能。
引用
@article{arxiv.2110.08671,
title = {Blockchain and Federated Edge Learning for Privacy-Preserving Mobile Crowdsensing},
author = {Qin Hu and Zhilin Wang and Minghui Xu and Xiuzhen Cheng},
journal= {arXiv preprint arXiv:2110.08671},
year = {2021}
}