FedBlock: 一种抵御后门攻击的区块链联邦学习方法
密码学与安全
2024-11-06 v1 计算机视觉与模式识别
摘要
联邦学习(FL)是一种机器学习方法,用于在分布式机器上本地存储的私有数据上进行训练,而无需将数据集中到一个地方进行中心化学习。尽管有其优势,但FL容易受到严重的安全风险影响。首先,由于FL依赖中央服务器聚合本地训练模型,这构成了单点故障。服务器可能恶意运行。其次,由于其分布式特性,FL可能遭遇参与客户端的后门攻击。他们可以在将本地模型提交给服务器之前对其进行投毒。无论是服务器端还是客户端攻击,都会严重降低学习精度。我们提出了FedBlock,一种新颖的基于区块链的FL框架,可同时应对这两种安全风险。FedBlock的独特优势在于它仅涉及智能合约编程,因此可以部署在任何区块链网络上。我们的框架通过使用真实世界数据集的全面评估研究得到了证实。其对后门攻击的鲁棒性与FL后门防御领域的现有文献相比具有竞争力。然而,后者并未像我们一样解决服务器风险。
引用
@article{arxiv.2411.02773,
title = {FedBlock: A Blockchain Approach to Federated Learning against Backdoor Attacks},
author = {Duong H. Nguyen and Phi L. Nguyen and Truong T. Nguyen and Hieu H. Pham and Duc A. Tran},
journal= {arXiv preprint arXiv:2411.02773},
year = {2024}
}
备注
This paper has been accepted as a full paper for the IEEE Special Session Federated Learning on Big Data 2024 (IEEE BigData 2024)