智能企业中使用区块链赋能的联邦深度学习的去中心化鲁棒隐私保护模型
密码学与安全
2025-02-26 v1
摘要
在联邦深度学习（FDL）中，允许多个本地企业联合训练一个模型。然后，它们将本地更新提交给中央服务器，服务器聚合这些更新以创建全局模型。然而，训练后的模型通常比集中式模型表现更差，特别是当训练数据分布为非独立同分布（nonIID）时。nonIID数据会损害模型的准确性和性能。此外，由于联邦学习（FL）的中心化以及企业的不可信性，传统的FL解决方案容易受到安全和隐私攻击。为了解决这个问题，我们提出了FedAnil，一种安全的区块链赋能的联邦深度学习模型，它通过包含两个主要阶段来提高企业模型的去中心化、性能和防篡改特性。第一阶段解决nonIID挑战（标签和特征分布偏斜）。第二阶段通过三个步骤解决针对中毒攻击和推理攻击的安全和隐私问题。使用Sent140、FashionMNIST、FEMNIST和CIFAR10新的真实世界数据集进行了大量实验，以评估FedAnil的鲁棒性和性能。仿真结果表明，FedAnil满足FDL的隐私保护要求。在收敛性分析方面，使用FedAnil获得的模型参数收敛到模型参数的最优值。此外，与基线方法（即ShieldFL、RVPFL和RFA）相比，它在准确性（分别提高超过11%、15%和24%）和计算开销（分别减少超过8%、10%和15%）方面表现更好。
引用
@article{arxiv.2502.17485,
title = {Decentralized and Robust Privacy-Preserving Model Using Blockchain-Enabled Federated Deep Learning in Intelligent Enterprises},
author = {Reza Fotohi and Fereidoon Shams Aliee and Bahar Farahani},
journal= {arXiv preprint arXiv:2502.17485},
year = {2025}
}
备注
28 pages, 10 figures, journal