PoFEL：基于区块链的分层联邦学习的节能共识
分布式、并行与集群计算
2023-08-16 v1
摘要
在移动边缘计算赋能下，客户端-边缘-云分层联邦学习（HFL）可在广域范围内实现通信高效的模型训练，但也因中间模型聚合引入额外的安全与隐私挑战，并仍存在单点故障问题。为应对这些挑战，我们提出一种基于区块链的 HFL（BHFL）系统，在边缘服务器间运行许可链进行模型聚合，无需集中式云服务器。然而，区块链的引入带来了额外开销。为实现紧凑高效的工作流，我们设计了一种新颖的轻量级共识算法，称为联邦边缘学习证明（PoFEL），以回收本地模型训练所消耗的能量。具体而言，领导节点通过评估来自所有边缘服务器的中间 FEL 模型来选出，而非其他耗能且无意义的计算。因此，相较于传统 BHFL 框架，该设计提升了系统效率。为防止共识过程中的模型剽窃与贿赂投票，我们提出基于哈希的承诺与数字签名（HCDS）以及基于贝叶斯真值血清的投票（BTSV）方案。最后，我们设计了一种激励机制以促使客户端持续为学习任务做出贡献。实验结果表明，我们所提出的带相应共识协议与激励机制的 BHFL 系统实现了有效性、低计算成本与公平性。
引用
@article{arxiv.2308.07840,
title = {PoFEL: Energy-efficient Consensus for Blockchain-based Hierarchical Federated Learning},
author = {Shengyang Li and Qin Hu and Zhilin Wang},
journal= {arXiv preprint arXiv:2308.07840},
year = {2023}
}