面向移动边缘计算的后量子安全基于区块链的联邦学习
分布式、并行与集群计算
2023-02-28 v1 密码学与安全
机器学习
摘要
移动边缘计算（MEC）已成为移动数据通信与边缘处理的一种有前景的范式。我们旨在将联邦学习（FL）与区块链的显著特性引入 MEC 架构（如互联自动驾驶车辆），以同时实现完全去中心化、不可篡改和激励机制。FL 对于连接受限的移动设备具有优势，因为它只需将模型更新发送至中心点，而无需大量数据通信。例如，在自动驾驶互联车辆中，FL 可增加数据多样性并支持模型定制，且即使车辆短时断连（利用本地模型）也能进行预测。然而，现有的同步 FL 与区块链因移动性引起的损伤而产生极高的通信开销，无法直接应用于 MEC 网络。我们提出一种完全异步的区块链化联邦学习（BFL）框架，称为 BFL-MEC，其中移动客户端及其模型独立演化，同时保证全局学习过程的稳定性。更重要的是，我们在 BFL-MEC 上采用后量子安全特性来验证客户端身份并防御恶意攻击。我们的所有设计假设与结果均通过大量仿真进行了评估。
引用
@article{arxiv.2302.13258,
title = {Post Quantum Secure Blockchain-based Federated Learning for Mobile Edge Computing},
author = {Rongxin Xu and Shiva Raj Pokhrel and Qiujun Lan and Gang Li},
journal= {arXiv preprint arXiv:2302.13258},
year = {2023}
}
备注
15 pages, 9 figures, 2 tables. Under Review