FIDELIS: Blockchain-Enabled Protection Against Poisoning Attacks in Federated Learning
Department of Computer Science Saint Mary's College of California(计算机科学系圣玛丽学院);Department of Computer Science North Carolina State University(计算机科学系北卡罗来纳州立大学);Department of Computer Science Boise State University(计算机科学系博伊州立大学)
本文提出FIDELIS,一种基于区块链的联邦学习中毒检测框架,通过去中心化全局服务器角色并引入经共识验证的判别模型来检测模型更新中的数据中毒,实现对攻击的鲁棒性和可扩展性。
2025-08-11 cs.AI cs.CR
Robust softmax aggregation on blockchain based federated learning with convergence guarantee
针对区块链联邦学习中的鲁棒聚合问题,提出基于权益证明的架构和softmax聚合方法,在凸设置下保证收敛,实验显示优于现有算法。
2023-12-29 cs.CR
Trustworthy Privacy-preserving Hierarchical Ensemble and Federated Learning in Healthcare 4.0 with Blockchain
本文提出一种基于安全多方计算与区块链的集成联邦学习方法,解决医疗4.0中因隐私限制和机构异构性导致的AI应用滞后问题,实现异构模型协作学习并保障数据完整性与可审计性。
2023-05-16 cs.AI cs.CR
Blockchain-based Monitoring for Poison Attack Detection in Decentralized Federated Learning
Royal Military College of Canada(加拿大皇家军事学院);Universidad Nacional Autónoma de México(墨西哥国立自治大学)
联邦学习(FL)是一种机器学习技术,通过在本地保存数据样本的节点上训练模型,解决了本地数据集访问权方面的隐私挑战。为了实现分散式联邦学习,提出了基于区块链的FL作为分布式FL架构。在去中心化FL中,由于工人之间相互协作以训练全局模型,因此主管被排除在学习过程之外。去中心化的FL应用程序需要考虑基于区块链的FL部署所产生的额外延迟。特别是在这种情况下,为了检测有针对性/无针对性的中毒攻击,我们研究了一个实际的分散式FL过程的端到端学习完成延迟,该过程可以防止中毒攻击。我们提出了一种技术,其中包括在解耦的监测阶段的检测阶段,在防御中毒攻击的分散式联邦学习部署,旨在监测工人的行为。我们证明了我们提出的基于区块链的监控提高了网络的可扩展性,鲁棒性和时间效率。操作的并行化导致在FL和区块链操作期间产生的端到端通信、计算和共识延迟的延迟最小化。
2022-09-30 cs.AI cs.CR cs.LG
Use of Federated Learning and Blockchain towards Securing Financial Services
Howard University(霍华德大学);University of Kalyani(卡利亚尼大学)
最近几天,一些现有和新的网络攻击的扩散对金融服务的稳定性构成了不言而喻的威胁。很难预测可能引发严重金融危机的攻击的性质。金融服务前所未有的数字化转型在COVID-19疫情期间加速,目前仍在进行中。攻击者正在利用这一转变,对金融稳定和完整性构成新的全球威胁。许多大型组织正在从集中式财务(CeFi)转向分散式财务(DeFi),因为分散式财务具有许多优势。区块链可以对金融部门的可信度,安全性,可访问性,成本效益和开放性产生重大而深远的影响。本文深入探讨了区块链和联邦学习(FL)如何在金融服务中使用。它首先概述了这两个用例的最新发展。本文探讨和讨论了现有的金融服务漏洞,潜在的威胁,以及随之而来的风险。因此,我们解释了金融服务中可以解决的问题,以及区块链和FL如何帮助解决这些问题。这些问题包括数据保护、存储优化和在金融服务中赚更多的钱。我们研究了许多支持区块链的FL方法,并提出了一些可能的解决方案,可用于金融服务,以解决成本效益、自动化和安全控制等挑战。最后,我们指出了一些未来的研究方向。
2023-02-04 cs.AI cs.CR
Blockchain and Federated Edge Learning for Privacy-Preserving Mobile Crowdsensing
Indiana University-Purdue University Indianapolis(印第安纳大学与普渡大学印第安纳波利斯联合分校);Shandong University(山东大学)
移动人群感知(MCS)依靠大量工作人员的移动性,帮助请求者以更大的灵活性和更低的成本完成各种感知任务。然而,对于传统的MCS,用于原始数据传输的通信资源的大量消耗以及对数据存储和计算能力的高要求阻碍了具有有限资源的潜在请求者使用MCS。为了促进MCS的广泛应用,我们提出了一种新的MCS学习框架,该框架利用区块链技术和基于联邦学习(FL)的边缘智能新概念,该框架涉及四个主要实体,包括请求者、区块链、边缘服务器和作为工作者的移动设备。尽管有几项关于基于区块链的MCS和基于区块链的FL的研究,但它们无法解决MCS在适应资源受限的请求者方面的基本挑战,也无法解决请求者和工作者参与学习过程所带来的隐私问题。为了填补空白,四个主要程序,即,任务发布、数据感知和提交、学习返回最终结果以及支付结算和分配,旨在解决内部和外部威胁带来的主要挑战,例如恶意边缘服务器和不诚实的请求者。具体而言,提出了一种基于机制设计的数据提交规则,以保证移动设备的数据隐私在边缘服务器上得到真实的保护;阐述了基于联盟区块链的FL,以保护分布式学习过程;并设计了一种合作强制控制策略,以获得请求者的全额支付。进行了大量的模拟,以评估我们所设计的方案的性能。
2021-10-16 cs.AI cs.CR
Trends in Blockchain and Federated Learning for Data Sharing in Distributed Platforms
随着5G网络和物联网(IoT)中通信技术的发展,大量生成的数据可以通过数据共享来改进机器学习(ML)推理。然而,安全和隐私问题是分布式和无线网络中的主要障碍。此外,物联网对系统资源有限制,这取决于服务的目的。此外,区块链技术通过共识算法和加密实现参与者之间的安全交易,而无需集中协调器。在本文中,我们首先回顾了联邦学习(FL)和区块链机制,然后,对区块链和FL在工业,车辆和医疗保健应用中的数据共享的集成进行了调查。
2021-07-19 cs.CR
VeryFL: A Verify Federated Learning Framework Embedded with Blockchain
针对去中心化基于区块链的联邦学习框架缺失的问题,本文开发了嵌入以太坊的VeryFL框架,结合智能合约与模型水印技术,提供了可验证的联邦学习训练、聚合及激励分配过程。
2023-11-27 cs.CR cs.LG
A Blockchain based Federated Learning for Message Dissemination in Vehicular Networks
车辆之间的信息交换在确保道路安全方面起着重要作用。紧急信息发布通常通过广播进行。然而,高车辆密度和移动性通常会导致消息分发的挑战,如广播风暴和低概率的数据包接收。本文提出了一种基于联邦学习的区块链辅助消息分发解决方案。与区块链中基于激励的工作量证明共识类似,车辆通过处理嵌入区块链智能合约中的联合学习证明(PoFL)共识来竞争成为中继节点(矿工)。提出的解决方案的理论和实践分析。具体来说,提出的基于区块链的联邦学习导致更多车辆在给定时间内上传其模型,与不使用区块链的相同解决方案相比,这可能会在更短的时间内产生更准确的模型。它还通过减少65.2%的共识时间延迟,提高至少8.2%的消息传递率,并更有效地保护邻居车辆的隐私,从而优于其他区块链方法。利用Stackelberg博弈模型进一步分析了激励车辆参与联邦学习和信息传播的经济模型。
2021-09-11 cs.CR
Advancing Blockchain-based Federated Learning through Verifiable Off-chain Computations
联邦学习可能受到全局聚合攻击和分布式中毒攻击。区块链技术以及激励和惩罚机制已经被提出来应对这些问题。在本文中,我们使用零知识证明探索可验证的链下计算,作为基于区块链的联邦学习中激励和惩罚机制的替代方案。在我们的解决方案中,学习节点除了其计算职责之外,还充当链下证明者,提交证明以证明可以在区块链上验证的参数的计算正确性。我们通过健康监控用例和概念验证实施来展示和评估我们的解决方案,该实施利用ZoKrates语言和基于智能合约的链上模型管理工具。我们的研究引入了学习过程正确性的可验证性,从而推进了基于区块链的联邦学习。
2022-06-23 cs.CR cs.DC
ScaleSFL: A Sharding Solution for Blockchain-Based Federated Learning
基于区块链的联邦学习在过去几年中获得了极大的兴趣,随着对数据隐私的日益关注,机器学习的进步和区块链创新。然而,安全性和可扩展性方面的差距阻碍了实际应用程序的开发。在这项研究中,我们提出了ScaleSFL,这是一个可扩展的基于区块链的分片解决方案,用于联邦学习。ScaleSFL通过分离链下联邦学习组件来支持互操作性,以便验证模型更新,而不是控制整个联邦学习流程。我们使用Hyperledger Fabric将ScaleSFL实现为概念验证原型系统,以证明该解决方案的可行性。我们提出了一个性能评估的结果收集,通过Hyperledger卡尺基准工具进行模型创建。我们的评估结果表明,分片可以线性提高验证性能,同时保持高效和安全。
2022-04-04 cs.CR cs.DC
B^2SFL: A Bi-level Blockchained Architecture for Secure Federated Learning-based Traffic Prediction
Research & Development Institute of Northwestern Polytechnical University in Shenzhen(西北工业大学深圳研究院);Xi’an Jiaotong-Liverpool University(西交利物浦大学);University of Delaware(特拉华大学)
本文提出了一种双层区块链架构B^2SFL,结合分布式同态加密联邦平均(DHFA)方案,解决了联邦学习交通预测中由恶意参与者和中心化服务器带来的安全与隐私问题,实验证明其能有效实现安全去中心化的实际交通预测。
2023-10-23 cs.AI cs.CR cs.DC
BF-Meta: Secure Blockchain-enhanced Privacy-preserving Federated Learning for Metaverse
The University of Hong Kong(香港大学)
针对元宇宙中传统联邦学习的中心化聚合安全风险与用户参与激励不足问题,提出区块链赋能的去中心化联邦学习框架BF-Meta并设计激励机制,经多数据集验证有效。
2024-10-29 cs.AI cs.CR
Blockchain Technologies for the Internet of Things: Research Issues and Challenges
本文对物联网(IoT)网络的现有区块链协议进行了全面调查。我们首先描述区块链,并总结现有的区块链技术调查。然后,我们概述了区块链技术在物联网中的应用领域,例如车联网,能源互联网,云互联网,雾计算等。此外,我们还提供了物联网网络中区块链协议考虑的威胁模型的分类,分为五大类,即基于身份的攻击,基于操纵的攻击,密码分析攻击,基于声誉的攻击,基于服务的攻击。此外,我们还提供了一个分类法,并对安全和隐私保护区块链技术的最新方法进行了并排比较,这些方法涉及区块链模型,特定的安全目标,性能,限制,计算复杂性和通信开销。根据目前的调查,我们强调了开放研究的挑战,并讨论了物联网区块链技术未来可能的研究方向。
2018-06-24 cs.CR
Democratizing Federated Learning with Blockchain and Multi-Task Peer Prediction
Tsinghua University(清华大学);Fraunhofer HHI(弗劳恩霍夫HHI研究所);TU Berlin(柏林工业大学);A*STAR(新加坡科技研究局);Inst. of High Performance Computing A*STAR(新加坡科技研究局高性能计算研究所)
本文提出利用区块链和多任务同伴预测技术,通过智能合约和加密货币激励,实现联邦学习的去中心化训练,探讨其优势与局限。
2026-03-30 cs.CR cs.CY
ICBAC: an Intelligent Contract-Based Access Control framework for supply chain management by integrating blockchain and federated learning
Department of Computer Engineering Ferdowsi University of Mashhad(计算机工程系法尔多斯大学)
ICBAC通过整合区块链与联邦学习,提供一种动态、隐私保护的访问控制框架,用于解决供应链中的访问控制问题。
2026-02-08 cs.AI cs.CR
TITAN-FedAnil+: Trust-Based Adaptive Blockchain Federated Learning for Resource-Constrained Intelligent Enterprises
University of Science and Technology of China(中国科学技术大学)
提出TITAN-FedAnil+框架,通过基于亲和传播的自适应聚类聚合过滤恶意更新、GPU加速向量化提升效率及有符号状态跳变机制实现轻量级区块链重同步,在资源受限边缘设备上内存开销降低81%。
2026-06-03 cs.AI cs.CR cs.LG
Federated Learning with Blockchain-Enhanced Machine Unlearning: A Trustworthy Approach
Faculty of Data Science, City University of Macau(澳门大学数据科学学院);School of Computer Science, University of Technology Sydney(悉尼科技大学计算机科学学院)
本文提出一种结合区块链与联邦学习的框架,通过不可篡改的记录和认证机制解决物联网环境中机器遗忘学习缺乏可验证性的信任问题,同时优化数据管理以保障系统效率与隐私安全。
2024-05-27 cs.AI cs.CR cs.DC
Federated Learning using Smart Contracts on Blockchains, based on Reward Driven Approach
J.P.Morgan Chase & Co(摩根大通公司)
近年来,联邦机器学习继续获得兴趣和动力,需要从数据中获得见解,同时保护数据提供者的隐私。然而,采用联邦学习的其他现有挑战之一是缺乏公平,透明和普遍认可的奖励联邦学习贡献者的激励计划。区块链网络上的智能合约为网络的所有参与者提供透明、不可变和可独立验证的证明。我们利用区块链上智能合约的这种开放和透明的性质来定义贡献者的激励规则,这是基于一种新的标量-联邦贡献。这种基于智能合约的奖励驱动模型有可能彻底改变企业中联邦学习的采用。我们的贡献是双重的:首先是展示基于智能合约的区块链如何成为联邦学习的一个非常自然的沟通渠道。其次,利用这个基础设施,我们可以展示如何建立每个代理贡献的直观度量,并将其与培训和奖励过程的生存周期集成。
2022-03-26 cs.CR cs.LG
BlockFUL: Enabling Unlearning in Blockchained Federated Learning
Information Security Center, State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications(信息安全部,网络与交换技术国家重点实验室,北京邮电大学);Global Big Data Technologies Centre, University of Technology Sydney(大数据技术中心,悉尼大学)
提出双链框架 BlockFUL,支持并行与顺序联邦遗忘,并结合梯度上升和重训练方法,降低区块链记录更新及多继承模型遗忘的开销。
2025-09-28 cs.AI cs.CR cs.CV
TrustChain: A Blockchain Framework for Auditing and Verifying Aggregators in Decentralized Federated Learning
Department of Electrical and Computer Engineering, University of Windsor(威省大学电气与计算机工程系);Faculty of Computer Science, University of New Brunswick(新不伦瑞克大学计算机科学学院)
TrustChain通过区块链、异常检测和概念漂移分析,在去中心化联邦学习中实现对聚合器的可信度评分与审计,以应对聚合节点可能变叛徒的风险。
2025-11-08 cs.AI cs.CR cs.LG
Privacy-Preserving in Blockchain-based Federated Learning Systems
University of Milan(米兰大学);University of Pavia(帕维亚大学);University of Padua(帕多瓦大学)
本文综述了区块链赋能联邦学习系统中的隐私保护研究,涵盖背景、集成架构、攻击与对策及应用场景,为后续研究指明挑战与方向。
2024-01-07 cs.AI cs.CR cs.LG
Block Hunter: Federated Learning for Cyber Threat Hunting in Blockchain-based IIoT Networks
如今,基于区块链的技术正在各个行业中开发,以提高数据安全性。在工业物联网(IIoT)的背景下,基于链的网络是区块链技术最显着的应用之一。IIoT设备在我们的数字世界中变得越来越普遍,特别是在支持发展智能工厂方面。虽然区块链是一个强大的工具,但它很容易受到网络攻击。在智能工厂中检测基于区块链的IIoT网络中的异常对于保护网络和系统免受意外攻击至关重要。在本文中,我们使用联邦学习(FL)构建了一个名为Block Hunter的威胁狩猎框架,以自动狩猎基于区块链的IIoT网络中的攻击。Block Hunter利用基于集群的架构进行异常检测,并在联合环境中结合了多个机器学习模型。据我们所知,Block Hunter是IIoT网络中第一个联合威胁狩猎模型,可以识别异常行为,同时保护隐私。我们的研究结果证明了Block Hunter在检测异常活动方面的效率,具有高精度和最低带宽要求。
2022-04-21 cs.CR cs.CY
Federated TrustChain: Blockchain-Enhanced LLM Training and Unlearning
本文提出一种基于区块链的联邦学习框架,通过防篡改记录和可验证的遗忘机制,增强大语言模型协作训练的透明度、问责制与遗忘能力。
2024-06-06 cs.CR
FedChain: An Efficient and Secure Consensus Protocol based on Proof of Useful Federated Learning for Blockchain
针对区块链PoW共识能源浪费问题,提出基于有用联邦学习证明的FedChain共识协议,通过池聚合、秘密共享、模型优化及零知识验证实现高效安全的共识,经实验验证了性能。
2023-08-29 cs.CR cs.DC
Towards a Secure and Reliable Federated Learning using Blockchain
Université de Sherbrooke(舍布鲁克大学);GREYC CNRS(法国国家科学研究中心灰西实验室);ENSICAEN(法国国立卡昂高等工程师学院);Normandie University(诺曼底大学);University of Technology of Troyes(特鲁瓦技术大学)
联邦学习(FL)是一种分布式机器学习(ML)技术,它支持协作训练,其中设备使用本地数据集执行学习,同时保护其隐私。这种技术确保了隐私、通信效率和资源节约。尽管有这些优点,FL仍然遭受与可靠性相关的若干挑战(即,训练中不可靠的参与设备),易处理性(即,大量训练的模型)和匿名性。为了解决这些问题,我们提出了一个为FL量身定制的安全可信的区块链框架(SRB-FL),它使用区块链功能以完全分布式和可信的方式实现协作模型训练。特别是,我们设计了一个基于区块链分片的安全FL,以确保数据的可靠性,可扩展性和可信度。此外,我们引入了一个激励机制,以提高可靠性的FL设备使用主观多权重逻辑。实验结果表明,我们提出的SRB-FL框架是有效的和可扩展的,使其成为一个有前途的和合适的解决方案,联邦学习。
2022-01-27 cs.AI cs.CR cs.LG
Secured by Blockchain: Safeguarding Internet of Things Devices
区块链是一种颠覆性的技术,被认为是下一件大事,并已获得不同领域专家的广泛认可。在本文中,我们考虑了消费电子(CE)行业区块链的可能用例和应用及其与物联网的相互作用。我们没有讨论区块链如何彻底改变供应链,而是专注于如何利用它来增强联网CE设备的安全性。这项工作的动机是最近大量使用易于黑客攻击的设备作为武器的攻击。朝着这个方向,区块链解决方案的隐私和数据保护方面也被提出,并与监管框架规定相关联。还提供了有关现有区块链解决方案的信息。
2019-05-02 cs.CR
Blockchain Integrated Federated Learning in Edge-Fog-Cloud Systems for IoT based Healthcare Applications A Survey
本文综述了区块链与联邦学习在边缘-雾-云物联网系统中的集成架构、功能及其在医疗保健应用中的实现,以应对数据孤岛和隐私限制问题。
2024-06-08 cs.CR
An Intelligent Transaction Migration Scheme for RAFT-based Private Blockchain in Internet of Things Applications
多访问边缘计算(MEC)和RAFT共识的集成使得在可信的基站和网关上部署区块链成为可能,为物联网(IoT)应用提供高效和防篡改的边缘数据服务。然而,减少在区块链上存储数据的延迟仍然是一个挑战,特别是当某个区域的异常触发的数据流超过块生成速度时。这封信提出了一种物联网应用中基于RAFT的私有区块链智能交易迁移方案,将繁忙区域的交易智能迁移到空闲区域。仿真结果表明,该方案在高数据流情况下能明显降低延迟。
2021-05-21 cs.CR
On the Decentralization of Blockchain-enabled Asynchronous Federated Learning
CTTC/CERCA(加泰罗尼亚电信技术中心/塞韦罗·奥乔亚卓越研究中心(CERCA))
联邦学习(FL),部分归功于边缘计算范式的出现,有望在生产环境中实现真正的实时应用。然而,它最初依赖于中央服务器进行编排,这在安全性、隐私和可扩展性方面引起了一些担忧。为了解决其中的一些担忧,区块链技术有望为FL带来去中心化、鲁棒性和增强的信任。然而,通过区块链(也称为FLchain)对FL的授权在分类账不一致和信息年龄(AoI)方面有一些影响,这些都是从区块链的完全去中心化操作中自然继承的。这些问题源于这样一个事实,即考虑到区块链中的临时分类账版本,FL设备可能使用不同的模型进行训练,并且考虑到FL操作的复杂性,可能会生成过时的本地更新(使用过时的模型计算)。在本文中,我们阐明了FL链设置的含义,并研究了AoI和分类账不一致对FL性能的影响。为此,我们提供了一个忠实的仿真工具,可以捕捉FLchain操作的分散和异步性质。
2022-05-20 cs.AI cs.CR cs.DC
Fairness, Integrity, and Privacy in a Scalable Blockchain-based Federated Learning System
University of Bayreuth(拜罗伊特大学);FIM Research Center(FIM研究中心);Fraunhofer FIT(弗劳恩霍夫应用信息技术研究所)
联邦机器学习(FL)允许在敏感数据上集体训练模型,因为只需要共享客户端的模型,而不需要共享其训练数据。然而,尽管对外语的研究已经引起了人们的关注,但这一概念在实践中仍然缺乏广泛的采用。其中一个关键原因是实施FL系统的巨大挑战,同时为所有参与客户实现公平,完整性和隐私保护。为了解决这个问题,我们的论文提出了一个融合区块链技术、局部差分隐私和零知识证明的FL系统。我们使用多元线性回归实现的概念验证表明,这些最先进的技术可以结合到FL系统中,该系统可以在可扩展和透明的系统中调整经济激励,信任和保密要求。
2021-11-11 cs.AI cs.CR cs.DC
Leveraging Centric Data Federated Learning Using Blockchain For Integrity Assurance
机器学习能力已成为跨行业、应用和部门的各种解决方案的重要组成部分。许多组织寻求在其业务服务中利用基于人工智能的解决方案,以提高效率和生产力。然而,如果缺乏用于AI模型训练、可扩展性和维护的高质量数据,就会出现问题。我们提出了一个以数据为中心的联邦学习架构,利用公共区块链和智能合约来克服这个重大问题。我们提出的解决方案提供了一个虚拟的公共市场,开发人员,数据科学家和AI工程师可以发布他们的模型,并协作创建和访问用于培训的高质量数据。我们通过奖励数据贡献和验证的贡献者的激励机制来提高数据质量和完整性。这些与所提出的框架相结合,有助于增加只有一个用户模拟的训练数据集,平均每天100个输入和模型的准确性约4%。
2022-06-09 cs.AI cs.CR cs.LG
Blockchain And The Future of the Internet: A Comprehensive Review
区块链正在挑战目前在互联网中流行的中央信任基础设施的现状,朝着一个以去中心化、透明度和可信可扩展性为重点的设计原则发展。从理想的角度来看,区块链倡导一个去中心化、透明和更民主的互联网版本。区块链本质上是一个可信和分散的数据库,在能源部门、林业、渔业、采矿、材料回收、空气污染监测、供应链管理及其相关业务等领域都有应用。在本文中,我们对基于区块链的网络应用进行了调查。我们的目标是涵盖基于区块链的系统的发展,这些系统试图在现有的、主要是集中的网络应用空间中实现复兴。在用区块链重新想象空间的同时,我们强调了可能出现的各种常见挑战、陷阱和缺点。我们的目标是让这本书成为一本指导性的参考手册,供那些有兴趣为现有用例转向基于区块链的解决方案或从头开始自动化的人使用。
2020-11-13 cs.CR
FedBlockHealth: A Synergistic Approach to Privacy and Security in IoT-Enabled Healthcare through Federated Learning and Blockchain
University of Technology Sydney(悉尼科技大学);University of Haripur(哈里普尔大学);Thapar University Patiala(帕蒂亚拉塔帕尔大学);Abdul Wali Khan University(阿卜杜勒·瓦利·汗大学)
本文提出FedBlockHealth框架,融合联邦学习与区块链,通过公钥密码保障本地模型更新安全,在EMNIST数据集上验证了物联网医疗场景下的隐私保护、安全性与计算效率。
2023-04-16 cs.AI cs.CR cs.LG
Fantastyc: Blockchain-based Federated Learning Made Secure and Practical
本文提出Fantastyc方案,通过解决完整性、机密性和可扩展性挑战,使基于区块链的去中心化联邦学习既安全又实用。
2024-07-29 cs.CR cs.DC
FLock: Defending Malicious Behaviors in Federated Learning with Blockchain
University of Oxford(牛津大学);Imperial College London(帝国理工学院);McGill University(麦吉尔大学)
联邦学习(FL)是一种很有前途的方法,允许多个数据所有者(客户端)协作训练机器学习模型,而不会损害数据隐私。然而,现有的FL解决方案通常依赖于集中式聚合器来进行模型权重聚合,同时假设客户端是诚实的。即使数据隐私仍然可以保留,单点故障和来自恶意客户端的数据投毒攻击的问题仍然没有得到解决。为了应对这一挑战,我们建议使用分布式账本技术(DLT)来实现Flock,这是一个建立在区块链上的安全可靠的分散式联邦学习系统。为了保证模型质量,我们设计了一种新型的点对点(P2P)审查和奖励/斜线机制,以检测和阻止恶意客户端,由链上智能合约提供支持。此外,奖励/削减机制还可以激励参与者诚实地上传和审查Flock系统中的模型参数。因此,Flock以完全P2P的方式提高了FL系统的性能和鲁棒性。
2022-11-05 cs.AI cs.CR cs.GT
Use of blockchain in the internet of things: a survey
本文通过创建关于BC的业务和技术的通用语言,提供了BC技术的全面和高层次的技术概述。然后概述了BC技术,其架构,分类,挑战等。最后,为研究人员提供了一些建议,这些建议在部署基于BC技术的下一代物联网应用之前必须解决。
2023-03-09 cs.CR
FBChain: A Blockchain-based Federated Learning Model with Efficiency and Secure Communication
Beihang University(北京航空航天大学);Guangxi Normal University(广西师范大学)
针对联邦学习通信中的参数泄漏和效率低下问题,提出基于区块链的FBChain模型,利用区块链不可篡改性和PoWLS共识算法,实现安全高效通信。
2025-02-27 cs.CR cs.LG
Multi-dimensional Data Quick Query for Blockchain-based Federated Learning
针对区块链联邦学习中多维元数据查询耗时、参与者选择困难的问题,提出MerkleRB-Tree并结合MBR、布隆过滤器与跳表思想提升块内及跨块查询效率。
2023-09-27 cs.CR cs.DB cs.DS
Blockchain-based Federated Learning with SMPC Model Verification Against Poisoning Attack for Healthcare Systems
针对联邦学习易受恶意更新与投毒攻击且难以兼顾隐私保护的问题,本文提出结合区块链、SMPC 加密推理验证和安全聚合的医疗系统框架,并在多个医学数据集上评估。
2023-04-26 cs.CR
Federated Learning-Enhanced Blockchain Framework for Privacy-Preserving Intrusion Detection in Industrial IoT
针对工业物联网传统入侵检测的隐私、延迟与单点故障问题,提出结合联邦学习与区块链的FL-BCID框架,通过边缘协同训练与链上存证实现高准确率、低开销的隐私保护入侵检测。
2025-05-21 cs.CR
Transparent Contribution Evaluation for Secure Federated Learning on Blockchain
Emory University(埃默里大学);Kyoto University(京都大学)
联邦学习是一种很有前途的机器学习范例,当多方合作构建高质量的机器学习模型时。尽管如此,这些政党只有在得到足够的激励时才愿意参与,比如根据他们的贡献给予公平的奖励。许多研究探索了基于Shapley值的方法来评估各方对学习模型的贡献。然而,它们通常假设一个半可信的服务器来训练模型和评估数据所有者的模型贡献,这缺乏透明度,可能会阻碍联邦学习在实践中的成功。在这项工作中,我们提出了一个基于区块链的联邦学习框架和一个协议,以透明地评估每个参与者的贡献。我们的框架在模型构建阶段保护所有参与方的隐私,并根据模型更新透明地评估贡献。在手写体数字数据集上的实验表明,该方法能够有效地评估贡献率。
2021-04-24 cs.CR cs.LG
Blockchain Meets AI for Resilient and Intelligent Internet of Vehicles
车联网(IoV)正在蓬勃发展,并提供与道路安全、交通和燃油效率以及信息娱乐相关的各种应用。在车联网中,处理安全和隐私威胁以及管理信任(检测恶意和行为不端的对等体)仍然是最重要的问题。人工智能是最具革命性的技术之一,其机器学习模型的预测能力可以帮助检测入侵和不当行为。类似地,用区块链赋予最先进的物联网安全框架可以使其安全和有弹性。本文讨论了人工智能和区块链在车联网中的安全、隐私和信任相关风险。本文还提出了使用ML和区块链来解决车联网中上述问题的问题、挑战、要求和解决方案。
2021-12-28 cs.CR
FedChain: Secure Proof-of-Stake-based Framework for Federated-blockchain Systems
在本文中,我们提出了FedChain,这是一种用于联邦区块链系统的新框架,可以在不同的区块链网络之间有效地传输令牌。特别是,我们首先介绍了一个联合区块链系统以及一个跨链传输协议,以促进链之间令牌的安全和分散传输。然后,我们为FedChain开发了一种新的基于PoS的共识机制,该机制可以满足严格的安全要求,防止各种区块链特定的攻击,并实现比其他现有共识机制更理想的性能。此外,Stackelberg博弈模型被开发来研究和解决FedChain系统中的中心化问题。此外,该博弈模型可以提高FedChain的安全性和性能。通过分析利益相关者和连锁经营者之间的相互作用,我们可以证明Stackelberg均衡的唯一性,并找到该均衡的精确公式。这些结果对于利益相关者确定其最佳投资策略以及链运营商设计最佳策略以最大化其利益和FedChain的安全保护尤为重要。仿真结果清楚地表明,FedChain框架可以帮助利益相关者最大化他们的利润和链运营商设计适当的参数,以提高FedChain的安全性和性能。
2021-01-29 cs.CR cs.GT
Integration of Blockchain and Edge Computing in Internet of Things: A Survey
作为保证数据安全性、一致性、可追溯性等的重要技术,区块链越来越多地用于物联网(IoT)应用。区块链和边缘计算的融合可以进一步提高网络,计算,存储和安全方面的资源利用率。本文旨在对区块链和边缘计算的集成进行调查。特别是,我们首先概述了区块链和边缘计算。然后,我们提出了一个集成区块链和边缘计算系统的通用架构。接下来,我们将研究如何利用区块链来使边缘计算受益,以及如何使用边缘计算来使区块链受益。并从资源管理、联合优化、数据管理、计算卸载、安全机制等角度探讨了区块链与边缘计算系统融合带来的问题及解决方案。最后,我们分析和总结了区块链与边缘计算系统融合所面临的挑战以及未来可能的解决方案。
2022-05-26 cs.CR eess.SP
A Differentially Private Blockchain-Based Approach for Vertical Federated Learning
Rensselaer Polytechnic Institute(伦斯勒理工学院)
该研究提出DP-BBVFL算法,结合区块链智能合约与本地差分隐私实现可验证、隐私保护的去中心化纵向联邦学习,首个原型在医疗数据上取得高准确率,为可信协作机器学习提供新方案。
2024-07-09 cs.CR cs.ET cs.LG
Scalable and Communication-efficient Decentralized Federated Edge Learning with Multi-blockchain Framework
新兴的联邦边缘学习(Federated Edge Learning,FEL)技术在保证机器学习性能的同时,也解决了数据隐私带来的“数据孤岛”问题,引起了广泛关注。然而,大规模自由电子激光仍然面临着以下关键挑战:(1)缺乏一个安全和通信效率高的模型训练计划的自由电子激光;(2)没有可扩展的和灵活的框架,更新本地模型和全球模型共享(交易)管理。为了弥合差距,我们首先提出了一个区块链授权的安全FEL系统,该系统具有由主链和子链组成的分层区块链框架。该框架可以通过单独管理本地模型更新或模型共享记录来实现性能隔离,从而实现可扩展和灵活的分散式FEL。然后设计了一个一致性证明方案,以去除低质量的模型更新,并以分散和安全的方式管理合格的模型更新,从而实现安全的FEL。为了提高区块链授权的FEL的通信效率,梯度压缩方案被设计成生成稀疏但重要的梯度,以在不影响准确性的情况下减少通信开销,并且还进一步加强训练数据的隐私保护。安全性分析和数值结果表明,所提出的方案可以实现安全的,可扩展的,和通信效率的分散FEL。
2020-08-10 cs.CR
Faster Dual-Key Stealth Address for Blockchain-Based Internet of Things Systems
隐形地址防止区块链交易的输出与收件人的钱包地址的公开关联,并隐藏交易的实际目的地地址。虽然隐形地址为加密货币网络提供了一种有效的隐私增强技术,但它需要区块链节点主动监控所有交易并计算所谓的目的地地址,这限制了其在物联网(IoT)等资源受限环境中的应用。在本文中,我们提出了DKSAP-IoT,这是一种用于基于区块链的物联网系统的更快的双密钥隐形地址协议。DKSAP-IoT利用类似于TLS会话恢复的技术来提高性能,同时减少两个通信对等体之间的事务大小。我们的理论分析以及在嵌入式计算平台上的大量实验表明,与最先进的方案相比,DKSAP-IoT能够将计算开销减少至少50%,从而为其应用于基于区块链的物联网系统铺平了道路。
2018-06-04 cs.CR
A blockchain-orchestrated Federated Learning architecture for healthcare consortia
ConsenSys Health;Imperial College London(帝国理工学院);UC San Diego(加州大学圣地亚哥分校);Johns Hopkins Berman Institute of Bioethics(约翰斯·霍普金斯大学伯曼生物伦理研究所)
我们提出了一种新的架构,联邦学习在医疗联盟。该解决方案的核心是隐私保护技术的独特集成,建立在以太坊生态系统中可用的本地企业区块链组件之上。我们展示了医疗联盟的具体特征和挑战如何影响我们的设计选择,特别是一个新的安全聚合协议的概念,该协议由受保护的硬件组件和以太坊本地的加密工具包组成。我们的架构还引入了隐私保护审计跟踪,记录网络中的事件,而不会泄露身份。
2019-10-12 cs.CR cs.CY cs.LG
GFL: A Decentralized Federated Learning Framework Based On Blockchain
Polytechnic Institute, Zhejiang University(浙江大学理工学院);School of Software Technology, Zhejiang University(浙江大学软件学院);College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院);School of Public Affairs, Zhejiang University(浙江大学公共管理学院)
联邦学习(FL)是一个快速发展的领域,已经提出了许多集中式和分散式的FL框架。然而,如何提高FL框架的通信性能,保持FL框架在恶意节点攻击下的安全性和鲁棒性,是当前FL框架面临的一大挑战。在本文中,我们提出了银河联邦学习框架(GFL),一个基于区块链的去中心化FL框架。GFL引入了一致性哈希算法来提高通信性能,并提出了一种新的环形分散FL算法(RDFL)来提高分散FL的性能和带宽利用率。此外,GFL引入星际文件系统(IPFS)和区块链,进一步提升通信效率和FL安全性。实验结果表明,GFL在恶意节点和非独立同分布(Non-IID)数据集的数据投毒下,提高了通信性能和分散FL性能.
2021-04-13 cs.CR cs.DC cs.LG
Blockchain based Privacy-Preserved Federated Learning for Medical Images: A Case Study of COVID-19 CT Scans
University of Electronic Science and Technology of China(电子科技大学);Macau University of Science and Technology(澳门科技大学);Southwest Jiaotong University(西南交通大学);China Telecommunications Corporation(中国电信集团有限公司)
医疗保健中心被视为使用人工智能(AI)处理COVID-19患者大量数据的有前途的范例。传统上,人工智能技术通常需要在单个组织中集中数据汇集并训练模型,由于原始数据通信的隐私和安全性,这是最常见的弱点。为了解决这个具有挑战性的任务,我们提出了一个基于区块链的联邦学习框架,通过协调多家医院来训练和共享加密的联邦模型,提供协作数据训练解决方案,而不会泄露数据隐私。区块链账本技术提供了没有任何中央服务器的去中心化的联邦学习模型。提出的同态加密方案对模型的梯度进行加密和解密,以保护隐私。更确切地说,所提出的框架:i)通过一种新型胶囊网络训练本地模型,以分割和分类COVID-19图像,ii)然后使用同态加密方案来保护加密和解密梯度的本地模型,最后通过提出的基于区块链的联邦学习算法在分散平台上共享模型。区块链和联邦学习的集成为去中心化网络中的医学图像数据共享带来了新的范式。实验结果验证了该方案的有效性.
2021-05-31 cs.CR cs.LG eess.IV
Reputation-Driven Asynchronous Federated Learning for Enhanced Trajectory Prediction with Blockchain
Heilongjiang University(黑龙江大学);Shanghai Univ(上海大学);Shanghai Artificial Intelligence Lab(上海人工智能实验室)
本文提出基于可解释声誉量化机制的异步联邦学习数据共享方法,利用图神经网络和深度强化学习优化车辆声誉分类与聚合效率,增强轨迹预测的安全性与精度。
2024-07-28 cs.CR cs.CV cs.LG
SAI-BA-IoMT: Secure AI-Based Blockchain-Assisted Internet of Medical Things Tool to Moderate the Outbreak of COVID-19 Crisis
最近,中国武汉报告了一种传染病,即2019年冠状病毒病(COVID-19),随后在几个月内蔓延到全球。于二零二零年五月十六日,COVID-19疫情已影响全球多个国家。在本文中,我们将介绍区块链、加密技术、医疗物联网(IoMT)和人工智能(AI)技术的融合如何在COVID-19大流行的情况下解决这一问题。此外,我们提出了一个安全的基于AI的区块链辅助IoMT(SAI-BA-IoMT)模型,用于COVID-19危机中的医疗保健系统。本文还探讨了大流行后世界可能经历的后电晕危机。此外,我们展示了所提出的模型的潜在应用,以解决源于冠状病毒的困难。
2021-08-21 cs.CR
FL-DECO-BC: A Privacy-Preserving, Provably Secure, and Provenance-Preserving Federated Learning Framework with Decentralized Oracles on Blockchain for VANETs
本文提出FL-DECO-BC框架,结合区块链去中心化预言机与联邦学习,为VANETs提供隐私保护、可证明安全和数据来源可追溯的分布式机器学习方案。
2024-07-30 cs.CR