基于区块链的联邦学习中联合资源分配的激励机制设计
密码学与安全
2022-02-23 v1 计算机科学与博弈论
机器学习
摘要
基于区块链的联邦学习（BCFL）近年来因其去中心化和原始数据隐私保护等优势而受到极大关注。然而，鲜有研究关注 BCFL 中客户端资源的分配。在 FL 客户端与区块链矿工为同一设备的 BCFL 框架中，客户端将训练好的模型更新广播至区块链网络，随后执行挖矿以生成新区块。由于每个客户端的计算资源有限，需仔细解决将计算资源分配至训练与挖矿的问题。在本文中，我们设计了一种激励机制，为各客户端分配训练与挖矿的适当奖励，随后客户端将基于这些奖励利用两阶段 Stackelberg 博弈确定每个子任务分配的计算能力。在分析了模型拥有者（MO）（即 BCFL 任务发布方）与客户端的效用后，我们将博弈模型转化为两个优化问题，并依次求解以得出 MO 与客户端的最优策略。进一步，考虑到各客户端的本地训练相关信息可能不为他人所知，我们将带解析解的博弈模型扩展至不完全信息场景。大量实验结果证明了我们所提方案的有效性。
引用
@article{arxiv.2202.10938,
title = {Incentive Mechanism Design for Joint Resource Allocation in Blockchain-based Federated Learning},
author = {Zhilin Wang and Qin Hu and Ruinian Li and Minghui Xu and Zehui Xiong},
journal= {arXiv preprint arXiv:2202.10938},
year = {2022}
}