面向边缘隐私增强联邦区块链学习的推理证明

共识机制是任何区块链系统的核心。然而，大多数共识机制并不直接针对联邦学习，也不助力于聚合步骤。本文引入Proof of Reasoning (PoR)，一种专为联邦学习设计的新型共识机制，旨在保护数据隐私、抵御恶意攻击并增强参与网络的验证。与文献中常见的通用区块链共识机制不同，PoR整合了三个专为联邦学习设计的过程。首先，训练一个掩码自编码器 (MAE) 以生成作为特征图的编码器，使其对抗人类重构和模型逆向攻击。其次，在边缘处训练一个下游分类器，接收来自训练好的编码器的输入。下游网络的权重、单个编码数据点、网络输出和ground truth随后被添加到区块中用于联邦聚合。最后，这些数据促进所有参与网络的聚合，实现比以往更复杂和可验证的聚合方法。这个三阶段过程导致更健壮的网络，显着降低计算复杂度，仅在边缘训练下游分类器即可保持高准确率。PoR可扩展到大规模IoT网络，具有低延迟和存储增长，并适应不断变化的数据、法规和网络条件。