基于后量子区块链的联邦学习协议 PQBFL
密码学与安全
2025-02-21 v1
摘要
联邦学习（FL）的一个目标是使用来自远程参与者的本地模型来协作训练全局模型。然而，FL 过程容易受到 various security challenges 的威胁，包括模型的窃听和篡改、通过共享梯度导致的信息泄露，以及尤其是在医疗等敏感领域的隐私违规，这些违规会暴露参与者的身份或数据。此外，量子计算的出现通过 Shor 和 Grover 算法对现有加密协议构成严重威胁，导致 FL 系统通信的安全性产生顾虑。为了应对这些挑战，我们提出了一个用于联邦学习的后量子区块链协议（PQBFL），该协议利用后量子密码学（PQC）算法和区块链来增强模型安全性和参与者身份隐私。它采用混合通信策略，将离链和 on-chain 通道结合，以优化成本效益、提高安全性并保持参与者隐私，同时确保基于声誉的身份验证在 FL 系统中的可追溯性。PQBFL specifically addresses the security requirement for the iterative nature of FL，这是文献中不突出的要点。因此，它利用 ratcheting 机制在学习过程的所有轮次中提供前向机密性和 post-compromise security。综上所述，PQBFL 为面向量子计算时代的联邦学习提供了一个安全且有韧性的解决方案。
引用
@article{arxiv.2502.14464,
title = {PQBFL: A Post-Quantum Blockchain-based Protocol for Federated Learning},
author = {Hadi GHaravi and Jorge Granjal and Edmundo Monteiro},
journal= {arXiv preprint arXiv:2502.14464},
year = {2025}
}
备注
15 pages with 9 figures