zkFL-Health：面向医疗AI隐私的区块链赋能的零知识联邦学习
密码学与安全
2025-12-25 v1 分布式、并行与集群计算
机器学习
摘要
医疗AI需要大型、多样化的数据集，但严格的隐私和治理约束阻止了跨机构的原始数据共享。联邦学习（FL）通过在数据所在地进行训练并仅交换模型更新来缓解这一问题，但实际部署仍面临两个核心风险：（1）通过梯度或更新导致的隐私泄露（成员推断、梯度反转）以及（2）对聚合器的信任问题，这是一个单点故障，可以丢弃、篡改或注入贡献而不被发现。我们提出了zkFL-Health，这是一种将FL与零知识证明（ZKP）和可信执行环境（TEE）相结合的架构，旨在为医疗AI提供隐私保护、可验证正确的协作训练。客户端在本地训练并提交其更新；聚合器在TEE内运行以计算全局更新，并生成一个简洁的ZK证明（通过Halo2/Nova），证明其恰好使用了所提交的输入和正确的聚合规则，而无需向主机透露任何客户端更新。验证节点验证该证明并将密码学承诺记录在链上，从而提供不可篡改的审计追踪，并消除了信任任何单一方的需要。我们概述了为医疗保健量身定制的系统和威胁模型、zkFL-Health协议、安全/隐私保证，以及涵盖准确性、隐私风险、延迟和成本的性能评估计划。该框架使多机构医疗AI具备了强大的机密性、完整性和可审计性，这些是临床采用和监管合规的关键属性。
引用
@article{arxiv.2512.21048,
title = {zkFL-Health: Blockchain-Enabled Zero-Knowledge Federated Learning for Medical AI Privacy},
author = {Savvy Sharma and George Petrovic and Sarthak Kaushik},
journal= {arXiv preprint arXiv:2512.21048},
year = {2025}
}
备注
10 pages, 1 figure, 5 tables