面向物联网设备的基于区块链的隐私保护联邦学习

家电制造商力求获取用户反馈以改进其产品与服务，从而构建智能家居系统。为协助制造商开发智能家居系统，我们设计了一种利用声誉机制的联邦学习（FL）系统，以协助家电制造商基于客户数据训练机器学习模型。随后，制造商可预测客户未来的需求与消费行为。该系统的工作流程包括两个阶段：第一阶段，客户使用手机与移动边缘计算（MEC）服务器训练制造商提供的初始模型。客户通过手机从各类家电收集数据，然后下载初始模型并利用本地数据训练。得出本地模型后，客户对模型签名并发送至区块链。若客户或制造商存在恶意，我们利用区块链替代传统 FL 系统中的中心化聚合器。由于区块链上的记录不可篡改，恶意客户或制造商的行为可追溯。第二阶段，制造商选择客户或组织作为矿工，利用收到的客户模型计算平均模型。众包任务结束时，被选为临时领导者的矿工之一将模型上传至区块链。为保护客户隐私并提升测试准确率，我们对提取的特征施加差分隐私并提出了一种新归一化技术。我们通过实验证明，在特征受差分隐私保护时，我们的归一化技术优于批归一化（batch normalization）。此外，为吸引更多客户参与众包 FL 任务，我们设计了一种激励机机制以奖励参与者。