基于区块链与SMPC模型验证的联邦学习及其在医疗系统中毒攻击防御中的应用
密码学与安全
2023-04-27 v1
摘要
由于机器学习应用中隐私与安全意识的提升，联邦学习（FL）受到广泛关注并应用于多个领域，例如智能医疗系统、基于物联网的工业和智慧城市。FL使客户端能够协作训练全局模型而无需访问其本地训练数据。然而，当前的FL方案易受对抗攻击。其架构使得检测和防御恶意模型更新变得困难。此外，大多数近期在保持模型隐私的同时从恶意更新中检测FL的研究尚未被充分探索。本文提出了基于区块链的联邦学习，结合SMPC模型验证以防御医疗系统中的投毒攻击。首先，我们通过加密推理过程检查FL参与方的机器学习模型并移除被攻陷的模型。一旦参与方的本地模型通过验证，这些模型将被发送至区块链节点进行安全聚合。我们使用不同的医学数据集进行了若干实验来评估我们所提出的框架。
引用
@article{arxiv.2304.13360,
title = {Blockchain-based Federated Learning with SMPC Model Verification Against Poisoning Attack for Healthcare Systems},
author = {Aditya Pribadi Kalapaaking and Ibrahim Khalil and Xun Yi},
journal= {arXiv preprint arXiv:2304.13360},
year = {2023}
}