基于区块链的安全可靠联邦学习框架
密码学与安全
2022-01-28 v1 人工智能
机器学习
网络与互联网体系结构
摘要
联邦学习（FL）是一种分布式机器学习（ML）技术，支持协作训练，其中设备使用本地数据集进行学习同时保护其隐私。该技术保障了隐私性、通信效率与资源节约。尽管有这些优势，FL仍面临若干与可靠性（即参与训练的设备不可靠）、可追踪性（即大量训练模型）和匿名性相关的挑战。为解决这些问题，我们提出了一种专为FL定制的安全可信区块链框架（SRB-FL），利用区块链特性以完全分布式且可信的方式进行协作模型训练。具体而言，我们设计了基于区块链分片的安全FL，保障数据可靠性、可扩展性与可信性。此外，我们引入了一种利用主观多权重逻辑提升FL设备可靠性的激励机制。结果表明，我们提出的SRB-FL框架高效且可扩展，是联邦学习的一种有前景且适用的解决方案。
引用
@article{arxiv.2201.11311,
title = {Towards a Secure and Reliable Federated Learning using Blockchain},
author = {Hajar Moudoud and Soumaya Cherkaoui and Lyes Khoukhi},
journal= {arXiv preprint arXiv:2201.11311},
year = {2022}
}
备注
This paper has been accepted for publication by IEEE Global Communications Conference (GLOBECOM). The final version will be published by the IEEE