基于区块链的可信联邦学习
机器学习
2024-10-28 v1 密码学与安全
网络与互联网体系结构
信号处理
摘要
人工智能（AI）的安全关键场景，如自动驾驶、物联网、智慧医疗等，对可信 AI 提出了关键要求，以保障隐私与安全并实现可靠决策。作为可信 AI 的新兴分支，联邦学习（FL）被视为一种有前景的隐私保护框架，用于在协作设备上训练全局 AI 模型。然而，FL 框架中仍存在安全挑战，例如来自恶意设备的拜占庭攻击，以及来自恶意服务器的模型篡改攻击，这些会削弱或破坏训练出的全局 AI 模型的准确性。在本文中，我们提出一种去中心化的基于区块链的 FL（B-FL）架构，通过使用安全全局聚合算法抵御恶意设备，并在多个边缘服务器间部署高效且低能耗的实用拜占庭容错共识协议以防止来自恶意服务器的模型篡改。然而，要在网络边缘实现 B-FL 系统，区块链共识协议中的多轮交叉验证会导致较长的训练延迟。因此我们构建一个网络优化问题，联合考虑带宽与功率分配，以最小化由渐进学习轮次组成的长期平均训练延迟。我们进一步将该网络优化问题转化为马尔可夫决策过程，并利用基于深度强化学习的算法以低计算复杂度提供高系统性能。仿真结果表明，B-FL 能够抵御来自边缘设备和服务器的恶意攻击，并且与基线算法相比，基于深度强化学习的算法可显著降低 B-FL 的训练延迟。
引用
@article{arxiv.2209.04418,
title = {Trustworthy Federated Learning via Blockchain},
author = {Zhanpeng Yang and Yuanming Shi and Yong Zhou and Zixin Wang and Kai Yang},
journal= {arXiv preprint arXiv:2209.04418},
year = {2024}
}
备注
This work has been submitted to the IEEE Internet of Things Journal for possible publication