基于区块链的监控用于去中心化联邦学习中的投毒攻击检测
密码学与安全
2022-10-07 v1 人工智能
机器学习
摘要
联邦学习（FL）是一种机器学习技术，通过使各节点在本地持有数据样本的情况下协同训练模型，从而解决本地数据集访问权限方面的隐私挑战。为实现去中心化联邦学习，基于区块链的 FL 被提出作为一种分布式 FL 架构。在去中心化 FL 中，协调者从学习过程中被移除，各工作节点相互协作训练全局模型。去中心化 FL 应用需要考虑基于区块链的 FL 部署所带来的额外延迟。特别是在此场景下，为检测定向/非定向投毒攻击，我们研究了一种受投毒攻击保护的现实去中心化 FL 过程的端到端学习完成延迟。我们提出了一种技术，将在去中心化联邦学习部署中监测工作节点行为的防御机制里的监控阶段与检测阶段解耦。我们证明了所提出的基于区块链的监控提升了网络可扩展性、鲁棒性和时间效率。操作的并行化使得 FL 与区块链操作期间端到端通信、计算和共识延迟最小化。
引用
@article{arxiv.2210.02873,
title = {Blockchain-based Monitoring for Poison Attack Detection in Decentralized Federated Learning},
author = {Ranwa Al Mallah and David Lopez},
journal= {arXiv preprint arXiv:2210.02873},
year = {2022}
}