基于区块链的联邦学习优化客户端选择与隐私保护框架
密码学与安全
2023-08-10 v1 人工智能
摘要
联邦学习是一种分布式机制，多个客户端参与训练大规模神经网络模型，数据保留在其设备上，仅共享本地模型更新。凭借这一特性，联邦学习被视为解决数据隐私问题的安全方案。然而，典型的联邦学习结构依赖客户端-服务器模式，这会导致单点故障（SPoF）攻击，且随机选取客户端进行模型训练会损害模型精度。此外，攻击者试图进行推理攻击，即针对隐私的攻击导致梯度泄露攻击。在此背景下，我们提出了基于区块链的优化客户端选择与隐私保护框架。我们设计了三类智能合约：1）客户端注册；2）前向竞标以选择优化客户端进行联邦学习模型训练；3）支付结算与奖励智能合约。此外，在将本地模型更新传输至服务器之前，采用了基于 Cheon、Kim、Kim 和 Song（CKKS）方法的全同态加密。最后，我们在基准数据集上评估了所提方法，并与现有最优研究进行了比较。结果表明，我们实现了更高的准确率以及具有去中心化特性的隐私保护联邦学习框架。
引用
@article{arxiv.2308.04442,
title = {Blockchain-based Optimized Client Selection and Privacy Preserved Framework for Federated Learning},
author = {Attia Qammar and Abdenacer Naouri and Jianguo Ding and Huansheng Ning},
journal= {arXiv preprint arXiv:2308.04442},
year = {2023}
}