基于区块链的协作式联邦学习以提升安全性、隐私性与可靠性
密码学与安全
2022-01-24 v1 分布式、并行与集群计算
摘要
联邦学习（FL）通过允许在边缘设备上进行模型训练而无需将边缘数据发送至中心服务器，从而提供隐私保护。FL 实现了机器学习的分布式部署。FL 的一个变体——协作式联邦学习（CFL）非常适用于物联网（IoT），它不要求边缘设备与模型聚合器直接连接。相反，设备可通过其他设备作为中继连接到中心模型聚合器。尽管 FL 与 CFL 保护了边缘设备的隐私，但却给执行模型聚合的中心服务器带来了安全挑战。中心服务器容易出现故障、后门攻击、模型损坏、对抗攻击与外部攻击。此外，FL 与 CFL 中无需边缘设备与中心服务器交换数据，但模型参数会从模型聚合器（全局模型）发送至边缘设备（局部模型），这仍易遭受网络攻击。这些安全与隐私问题可望由区块链技术在很大程度上解决。区块链是一种去中心化且基于共识的链式结构，设备可在其中共享共识账本，从而提升可靠性与安全性，显著减少信息交换过程中的网络攻击。本工作中，我们将研究基于区块链的模型参数及相关信息在边缘设备之间以及从中心服务器到边缘设备的去中心化交换的有效性。此外，我们将针对车联网与物联网等不同应用场景，对基于区块链的 CFL 模型进行可行性分析。本研究旨在借助区块链赋能的 CFL 来改进安全性、可靠性与隐私保护。
引用
@article{arxiv.2201.08551,
title = {Blockchain-based Collaborated Federated Learning for Improved Security, Privacy and Reliability},
author = {Amir Afaq and Zeeshan Ahmed and Noman Haider and Muhammad Imran},
journal= {arXiv preprint arXiv:2201.08551},
year = {2022}
}
备注
Preliminary work