区块链健康数据的隐私保护：差分隐私与联邦学习框架
密码学与安全
2024-05-21 v1 计算机与社会
分布式、并行与集群计算
机器学习
摘要
本研究提出了一个框架来增强用于 healthcare 领域的基于区块链的物联网(IoT)系统(BIoT)中的隐私。该框架解决了在保护患者隐私的同时，利用健康数据进行分析的挑战。为实现这一目标，研究将差分隐私(DP)与联邦学习(FL)集成，以保护由 IoT 节点收集的敏感健康数据。该框架利用动态个人化和自适应噪声分布策略来平衡隐私和数据效用。此外，区块链技术确保了模型更新的安全和透明聚合与存储。在 SVHN 数据集上进行的实验结果表明，所提出的框架在各种攻击情景下实现了强大的隐私保证，同时在健康分析任务中保持高准确率。对于进行 15 轮联邦学习且 epsilon 值为 8.0 的情况，模型获得 64.50% 的准确率。区块链集成采用 Ethereum、Ganache、Web3.py 和 IPFS，显示出约 6 秒的平均交易延迟以及各轮持续的稳定 gas 消耗，验证了该方法的实用性和可行性。
引用
@article{arxiv.2405.11580,
title = {Securing Health Data on the Blockchain: A Differential Privacy and Federated Learning Framework},
author = {Daniel Commey and Sena Hounsinou and Garth V. Crosby},
journal= {arXiv preprint arXiv:2405.11580},
year = {2024}
}