zkDFL：一种基于零知识证明的高效隐私保护去中心化联邦学习框架
密码学与安全
2024-02-13 v2 人工智能
摘要
联邦学习（FL）已在各研究和商业领域得到广泛采用。传统的中心化FL系统存在严重问题。为解决这些顾虑，近年来引入了去中心化联邦学习（DFL）系统。借助区块链技术，它们试图实现更高的完整性和效率。然而，隐私保护仍然是这些系统一个未被充分覆盖的方面。为解决此问题，并扩展基于区块链的计算，我们提出了一种基于零知识证明（ZKP）的聚合器（zkDFL）。这允许客户端与可信的中心化服务器共享其大规模模型参数，而无需向其他客户端泄露其个体数据。我们利用区块链技术通过智能合约管理聚合算法。服务器执行ZKP算法，向客户端证明聚合是按照公认算法完成的。此外，服务器可以证明所有来自客户端的输入均已被使用。我们使用一个与可穿戴物联网相关的公开数据集评估了我们的方法。数值评估表明，zkDFL引入了聚合过程正确性的可验证性，并增强了DFL系统的隐私保护和可扩展性，同时gas成本显著下降。
引用
@article{arxiv.2312.04579,
title = {zkDFL: An efficient and privacy-preserving decentralized federated learning with zero-knowledge proof},
author = {Mojtaba Ahmadi and Reza Nourmohammadi},
journal= {arXiv preprint arXiv:2312.04579},
year = {2024}
}
备注
10 pages