基于区块链的联邦学习多维数据快速查询
数据结构与算法
2023-09-28 v1 密码学与安全
数据库
摘要
由于联邦学习（FL）存在单中心服务器易受损等缺陷，集中式联邦学习正转向利用区块链优势的 decentralized federated learning（去中心化联邦学习）范式。采用基于区块链的联邦学习的一个关键促成因素是如何选择合适的参与者协同训练模型。通过存储和查询区块链上数据所有者的元数据来选择参与者，可确保所选数据所有者的可靠性，有助于在 FL 中获得高质量模型。然而，在区块链上查询多维元数据需要遍历每个区块中的每一笔交易，使得查询十分耗时。针对 FL 中选择参与者所需的区块链多维元数据的高效查询方法尚属空白且具挑战性。本文提出一种名为 MerkleRB-Tree 的新型数据结构以提升区块内查询效率。具体而言，我们分别利用最小边界矩形（MBR）和布隆过滤器对多维连续值属性和离散值属性进行查询处理。此外，我们在每个区块头部引入跳表思想并辅以 MBR 和布隆过滤器，以提升跨区块查询效率。在基准数据集上的性能分析与大量评估结果证明了我们的方法在基于区块链的 FL 中的优越性。
引用
@article{arxiv.2309.15348,
title = {Multi-dimensional Data Quick Query for Blockchain-based Federated Learning},
author = {Jiaxi Yang and Sheng Cao and Peng xiangLi and Xiong Li and Xiaosong Zhang},
journal= {arXiv preprint arXiv:2309.15348},
year = {2023}
}