数字孪生辅助的联邦学习与区块链在多层计算系统中的应用
密码学与安全
2024-11-05 v1
摘要
在工业4.0系统中，大量资源受限的工业物联网（IIoT）设备因模型训练的需要而频繁进行数据交互，由此引发了安全与隐私方面的担忧。为应对这些挑战，本文提出了一种数字孪生（DT）与区块链辅助的联邦学习（FL）方案。为促进FL过程，我们首先利用计算能力充足的雾设备为资源受限的边缘设备生成数字孪生，从而辅助其进行本地训练。随后，我们针对FL构建了一个延迟最小化问题，该问题同时考虑模型传输时间与同步时间，并引入协同干扰以确保DT的安全同步。为求解这一非凸优化问题，我们提出了一种分解算法。具体而言，我们引入本地设备训练延迟上限与聚合干扰效应作为辅助变量，从而将问题转化为可独立求解的凸优化问题。最后，采用区块链验证机制来保证FL过程中模型上传的完整性以及参与者的身份。最终的全局模型通过深度学习技术从区块链中验证后的本地模型与全局模型中获取。数值分析结果验证了所提出的基于协同干扰的FL过程的有效性，表明集成的DT区块链辅助FL方案在执行时间、块优化和准确率方面均显著优于基准方案。
引用
@article{arxiv.2411.02323,
title = {Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems},
author = {Yongyi Tang and Kunlun Wang and Dusit Niyato and Wen Chen and George K. Karagiannidis},
journal= {arXiv preprint arXiv:2411.02323},
year = {2024}
}