端到端可验证的去中心化联邦学习

结合区块链和零知识证明 (ZKP) 的可验证去中心化联邦学习 (FL) 系统使得本地学习和全局聚合的计算完整性可以在各个工作节点之间进行验证。然而，它们并非端到端的：数据在学习之前仍然可能被破坏。在本文中，我们提出了一种可验证的去中心化 FL 系统，用于数据和计算的端到端完整性与真实性，将可验证性扩展到数据源。针对机密性与透明度之间的固有冲突，我们引入了一种两步证明与验证 (2PV) 方法，并将其应用于核心系统流程：一个支持对设备证书进行非披露验证的注册工作流，以及一个通过非披露数据真实性证明扩展现有基于区块链和 ZKP 的 FL 系统的学习工作流。我们在原型实现上的评估证明了其技术可行性，且仅对最先进的解决方案带来极小的开销。