PPBFL：一种隐私保护的基于区块链的联邦学习模型
密码学与安全
2024-01-09 v2 人工智能
摘要
随着机器学习的快速发展和人们对数据隐私日益关注，联邦学习已成为关注的焦点。然而，对模型参数的攻击以及缺乏激励机制阻碍了联邦学习的有效性。因此，我们提出了一种隐私保护的基于区块链的联邦学习模型（PPBFL），以增强联邦学习的安全性并鼓励节点积极参与模型训练。区块链技术确保存储在星际文件系统（IPFS）中的模型参数的完整性，提供防篡改保护。在区块链中，我们引入了一种针对联邦学习的训练工作量证明（PoTW）共识算法，旨在激励训练节点。该算法奖励计算能力更强的节点，促进其在联邦学习过程中增加参与和努力。一种新颖的自适应差分隐私算法同时应用于本地和全局模型。这保护了训练客户端的本地数据隐私，防止恶意节点发起推理攻击。此外，它增强了全局模型的安全性，防止因大量本地模型组合而导致潜在的安全退化。安全退化的可能性源于组合定理。通过在全局模型中引入反向噪声，实现了本地和全局模型之间差分隐私噪声的零偏差估计。此外，我们提出了一种新的混合交易机制，利用环签名技术更好地保护本地训练客户端的身份隐私。安全分析和实验结果表明，与基线方法相比，PPBFL不仅表现出更优的模型性能，而且实现了更高的安全性。
引用
@article{arxiv.2401.01204,
title = {PPBFL: A Privacy Protected Blockchain-based Federated Learning Model},
author = {Yang Li and Chunhe Xia and Wanshuang Lin and Tianbo Wang},
journal= {arXiv preprint arXiv:2401.01204},
year = {2024}
}