FLoW3 -- Web3 赋能的联邦学习
密码学与安全
2025-11-11 v1
摘要
联邦学习容易受到各种攻击，如数据投毒、模型投毒和中间人攻击。我们将联邦学习视为一种分层结构，即以验证器为首的节点联盟。验证过程通过采用新颖性检测和 Snowball 协议的共识来完成，以识别有价值且相关的更新，同时过滤掉潜在的恶意或无关更新，从而防止模型投毒攻击。验证器的意见被记录在区块链中，并计算信任分数。在缺乏共识的情况下，使用信任分数来确定验证器对全局模型的影响。引入了一个超参数来指导模型生成过程，使其依赖共识或信任分数。这种方法确保了聚合过程的透明度和可靠性，并允许全局模型从最受信任节点的见解中受益。在训练阶段，IPFS 与 PGP 加密的结合提供了：a) 安全且去中心化的存储；b) 缓解单点故障，使该系统可靠；c) 抵御中间人攻击。该系统通过使用 Python 和 Foundry 进行智能合约开发来实现。通过翻转标签和引入恶意节点，对全局模型进行了数据投毒测试。结果发现其表现与 Flower 相似。
引用
@article{arxiv.2312.05459,
title = {FLoW3 -- Web3 Empowered Federated Learning},
author = {Venkata Raghava Kurada and Pallava Kumar Baruah},
journal= {arXiv preprint arXiv:2312.05459},
year = {2025}
}