面向物联网的区块链化联邦学习：综合性综述
机器学习
2023-05-09 v1 密码学与安全
摘要
随着现代世界数字化与智能化的提升，基于大数据的智能工业与智慧服务需求正迅速增长。本综述全面回顾了区块链化联邦学习（BlockFL），其结合了区块链与联邦学习的优势，为上述需求提供安全高效的解决方案。我们在四种物联网（IoT）应用场景——个人物联网（PIoT）、工业物联网（IIoT）、车联网（IoV）与医疗物联网（IoHT）——中比较了现有BlockFL模型，重点关注安全性与隐私、信任与可靠性、效率以及数据异构性。我们的分析表明，去中心化与透明性特征使BlockFL成为分布式模型训练的安全有效方案，而开销与兼容性仍待进一步研究。分析还揭示了各领域面临的独特挑战，例如IoV中适应动态环境的需求，以及IoHT中对身份与权限管理的高要求，此外还有一些已识别的共性挑战，如隐私、资源约束与数据异构性。进而，我们考察了可惠及BlockFL的现有技术，从而帮助研究人员与从业者在各类IoT应用场景中就BlockFL的选择与开发作出明智决策。
引用
@article{arxiv.2305.04513,
title = {Blockchained Federated Learning for Internet of Things: A Comprehensive Survey},
author = {Yanna Jiang and Baihe Ma and Xu Wang and Ping Yu and Guangsheng Yu and Zhe Wang and Wei Ni and Ren Ping Liu},
journal= {arXiv preprint arXiv:2305.04513},
year = {2023}
}