VerifBFL：利用zk-SNARKs实现可验证区块链联邦学习
密码学与安全
2025-01-09 v1 分布式、并行与集群计算
新兴技术
机器学习
摘要
区块链联邦学习（BFL）是一种新兴的去中心化机器学习范式，无需依赖中心服务器即可进行模型训练。尽管一些BFL框架被认为是隐私保护的，但仍面临各种攻击，包括推理攻击和模型毒害攻击。此外，这些大多数解决方案都采用强大的信任假设或引入激励机制来鼓励合作，使其易受多种安全缺陷的影响。本工作提出VerifBFL，一个无信任假设、隐私保护且可验证的联邦学习框架，集成区块链技术和密码学协议。通过采用零知识Succinct Non-Interactive Argument of Knowledge（zk-SNARKs）和递增可验证计算（IVC），VerifBFL确保本地训练和聚合过程的可验证性。训练和聚合的证明在链上进行验证，保证每位参与者贡献的完整性和可审计性。为保护训练数据免受推理攻击，VerifBFL采用差分隐私。最后，为了演示所提出协议的效率，我们构建了一个概念验证系统。结果表明，VerifBFL中生成本地训练和聚合证明分别用时不足81秒和2秒，而链上验证则用时不足0.6秒。
引用
@article{arxiv.2501.04319,
title = {VerifBFL: Leveraging zk-SNARKs for A Verifiable Blockchained Federated Learning},
author = {Ahmed Ayoub Bellachia and Mouhamed Amine Bouchiha and Yacine Ghamri-Doudane and Mourad Rabah},
journal= {arXiv preprint arXiv:2501.04319},
year = {2025}
}
备注
Paper accepted at NOMS'25 (9 pages, 6 Figures)