基于区块链的安全去中心化学习
密码学与安全
2024-03-13 v2 机器学习
摘要
联邦学习(FL)是移动和IoT设备上分布式机器学习的一种知名范式,它保护数据隐私并优化通信效率。为避免FL中的单点故障问题,去中心化联邦学习(DFL)被提出以使用点对点通信进行模型聚合,这被视为分布式个人设备上机器学习任务的一种有吸引力的解决方案。然而,该过程易受共享虚假模型与数据的攻击者危害。若存在一组恶意客户端,它们可能通过发起投毒攻击损害模型性能。此外,在DFL中,客户端往往缺乏贡献其计算力进行模型训练的激励。在本文中,我们提出了基于区块链的去中心化联邦学习(BDFL),其利用区块链进行去中心化模型验证与审计。BDFL包含一个用于模型验证的审计员委员会、鼓励客户端参与的激励机制、评估客户端可信度的声誉模型,以及用于动态网络更新的协议套件。评估结果表明,借助声誉机制,BDFL即使在系统中存在30%恶意客户端的情况下,也能在真实数据集上实现快速模型收敛与高准确率。
引用
@article{arxiv.2310.07079,
title = {Secure Decentralized Learning with Blockchain},
author = {Xiaoxue Zhang and Yifan Hua and Chen Qian},
journal= {arXiv preprint arXiv:2310.07079},
year = {2024}
}