DFL: High-Performance Blockchain-Based Federated Learning
本文提出DFL,一种为联邦学习优化的公有区块链架构,通过放弃全局共识实现低延迟和低资源消耗,实验表明其在非独立同分布数据上准确率超90%,且区块链资源消耗低于5%。
2023-03-31 cs.DC
Decentralized Federated Learning Based on Committees and Blockchain
机器学习算法无疑是近年来最流行的算法之一,神经网络也展示了前所未有的精度。在日常生活中,不同的社区可能有不同的用户特征,这也意味着训练一个强模型需要不同社区的联合,因此隐私问题亟待解决。联邦学习是一种流行的隐私解决方案,每个社区不需要暴露特定的数据,只需要将子模型上传到协调服务器就可以训练更强大的模型。但是,联邦学习也存在一些问题,如协调服务器的安全性和公平性问题。这个问题的一个行之有效的解决方案是联邦学习的分散实现。本文应用区块链、共识算法等去中心化工具,设计了一个支持联盟环境下联邦学习去中心化运行的支持系统,涉及激励、安全、公平等问题的探索。最后,我们通过实验验证了我们的系统的性能,联邦学习的效果,和隐私保护的可用性。
2022-05-23 cs.DC
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
A Blockchain-based Decentralized Federated Learning Framework with Committee Consensus
Sun Yat-sen University(中山大学);WeBank Co. Ltd.(微众银行股份有限公司)
联邦学习已被广泛研究并应用于各种场景。在移动计算场景中,联邦学习保护用户不暴露他们的私人数据,同时为各种真实世界的应用程序合作训练全局模型。然而,由于恶意客户端或中心服务器不断攻击全局模型或用户隐私数据,联邦学习的安全性越来越受到质疑。为了解决这些安全问题,我们提出了一种基于区块链的去中心化联邦学习框架,即,基于区块链的联邦学习框架与委员会共识(BFLC)。该框架使用区块链进行全局模型存储和本地模型更新交换。为了使拟议的BFLC,我们还设计了一个创新的委员会共识机制,它可以有效地减少共识计算量,减少恶意攻击。然后,我们讨论了BFLC的可扩展性,包括理论安全性、存储优化和激励措施。最后,我们使用真实世界的数据集进行实验,以验证BFLC框架的有效性。
2020-04-02 cs.DC cs.LG
The Implications of Decentralization in Blockchained Federated Learning: Evaluating the Impact of Model Staleness and Inconsistencies
Nokia Bell Labs(诺基亚贝尔实验室);University College Dublin(都柏林大学学院);Centre Tecnològic de Telecomunicacions de Catalunya(加泰罗尼亚电信技术中心)
本文研究了区块链去中心化对联邦学习的影响,发现P2P环境下的模型过时和不一致性会导致预测准确率下降高达约35%,强调了基于FL特征设计区块链系统的重要性。
2024-03-25 cs.AI cs.DC cs.NI
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
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
Decentralized Healthcare Systems with Federated Learning and Blockchain
本文针对医疗数据因隐私限制难以共享的问题,回顾了整合区块链与联邦学习构建去中心化医疗系统以实现医疗记录安全共享的最新研究进展。
2023-06-24 cs.DC
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
Proof of Federated Training: Accountable Cross-Network Model Training and Inference
区块链已被广泛用于设计负责任的联邦学习框架;然而,现有的框架不能扩展到多个独立的区块链网络上的分布式模型训练。为了在区块链上存储预训练的模型,当前的方法主要使用其结构属性嵌入模型,这些结构属性既不适合跨链交换也不适合跨链验证。本文提出了一种使用联邦学习进行跨链可验证模型训练的架构框架,称为联邦训练证明(PoFT),这是第一个能够在多个区块链网络上跨客户端进行联邦训练的框架。PoFT不是结构化嵌入,而是使用模型参数将模型嵌入区块链,然后在两个区块链网络之间应用可验证的模型交换进行跨网络模型训练。我们使用Amazon EC2实例在大规模设置中实现并测试了PoFT,并观察到跨链训练可以显着提高模型效率。相比之下,PoFT会为链间模型交换带来边际开销。
2022-04-14 cs.DC cs.SY eess.SY
Wait or Not to Wait: Evaluating Trade-Offs between Speed and Precision in Blockchain-based Federated Aggregation
本文提出一种完全耦合的区块链辅助联邦学习架构,通过去中心化训练与聚合消除单点故障,并在真实以太坊平台上验证了异步聚合对简单模型可行、复杂模型需更多参与聚合的精度与速度权衡。
2024-05-31 cs.DC
Straggler Mitigation and Latency Optimization in Blockchain-based Hierarchical Federated Learning
提出基于区块链的去中心化层次化联邦学习框架BHFL,利用Raft联盟区块链保障可信聚合,设计HieAvg聚合方法利用历史权重估计掉队者缺失提交,并联合优化模型收敛与共识延迟,在非凸和非IID数据下性能优于传统方法。
2023-08-02 cs.DC
Blockchain Assisted Federated Learning over Wireless Channels: Dynamic Resource Allocation and Client Scheduling
区块链技术已被广泛研究,以实现联邦学习(FL)中的分布式和防篡改数据处理。大多数现有的区块链辅助FL(BFL)框架都采用了第三方区块链网络来分散模型聚合过程。然而,去中心化的模型聚合容易受到来自第三方区块链网络的池化和共谋攻击。在这个问题的驱动下,我们提出了一个新的BFL框架,其特点是在客户端集成训练和挖掘。为了优化FL的学习性能,我们提出了最大化的长期时间平均(LTA)训练数据大小的约束下的LTA能量消耗。为此,我们用公式表示训练客户端选择和资源分配的联合优化问题(即,客户端的发射功率和计算频率),并基于李雅普诺夫技术求解长期混合整数非线性规划。特别地,所提出的动态资源分配和客户端调度(DRACS)算法可以实现[ $\mathcal{O}(1/V)$,$\mathcal{O}(\sqrt{V})$ ]的折衷,以利用控制参数$V$来平衡LTA训练数据大小的最大化和LTA能量消耗的最小化。我们的实验结果表明,建议的DRACS算法实现了更好的学习精度比基准客户端调度策略有限的时间或能源消耗。
2022-10-31 cs.DC
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
Enhancing Trust and Privacy in Distributed Networks: A Comprehensive Survey on Blockchain-based Federated Learning
Hithink RoyalFlush Information Network Co. Ltd.(同花顺信息网络有限公司);Kyushu University(九州大学);Baidu Inc.(百度公司);Unicom Digital Tech.(联通数字科技有限公司);Boston Consulting Group(波士顿咨询公司)
本文系统综述了基于区块链的联邦学习(BCFL),提出其分类法和一般架构,并分析其在医疗、物联网等隐私敏感领域的应用及未来研究方向。
2024-03-28 cs.AI cs.CR cs.DC
PoFEL: Energy-efficient Consensus for Blockchain-based Hierarchical Federated Learning
针对分层联邦学习的中间聚合安全与单点故障问题,本文提出基于许可链的BHFL系统,并设计PoFEL节能共识、HCDS/BTSV防护方案及激励机制,实验验证其有效、低成本且公平。
2023-08-15 cs.DC
BlockDFL: A Blockchain-based Fully Decentralized Peer-to-Peer Federated Learning Framework
针对P2P联邦学习中的投毒、泄露与高通信开销问题,提出基于区块链、PBFT投票、两层评分和梯度压缩的BlockDFL框架,在40%恶意节点下仍保持准确率。
2024-01-24 cs.DC
Generative AI like ChatGPT in Blockchain Federated Learning: use cases, opportunities and future
Southern Illinois University(南伊利诺伊大学);University of Asia Pacific(亚太大学);Green University of Bangladesh(孟加拉国绿色大学);University of North Texas(北得克萨斯大学);John Hopkins University(约翰霍普金斯大学)
本研究探讨了生成式AI(如GANs和VAEs)在区块链联邦学习中的整合应用,通过生成合成数据解决数据可用性受限问题,从而增强隐私保护、提升数据效率并支持个性化模型开发。
2024-07-25 cs.AI cs.CR cs.DC
Robust Blockchained Federated Learning with Model Validation and Proof-of-Stake Inspired Consensus
University of Delaware(特拉华大学);Deakin University(迪肯大学);University of Oulu(奥卢大学)
联邦学习(FL)是一种很有前途的分布式学习解决方案,它只交换模型参数而不泄露原始数据。然而,FL的集中式架构容易受到单点故障的影响。此外,FL不会检查本地模型的合法性,因此即使是一小部分恶意设备也会破坏全局训练。为了解决FL的这些鲁棒性问题,在本文中,我们提出了一个基于区块链的分散FL框架,称为VBFL,通过在区块链架构中利用两种机制。首先,我们引入了一种新的去中心化验证机制,使得本地模型更新的合法性由单个验证器检查。其次,我们设计了一个专用的权益证明共识机制,其中权益更频繁地奖励给诚实的设备,这通过增加它们指定附加到区块链的块的机会来保护合法的本地模型更新。我们对MNIST分类的仿真结果证实,在15%的恶意设备中,VBFL实现了87%的准确性,比Vanilla FL高7.4倍。
2021-01-09 cs.AI cs.CR cs.DC
BotDetect: A Decentralized Federated Learning Framework for Detecting Financial Bots on the EVM Blockchains
本文提出一种基于智能合约编排的去中心化联邦学习框架,用于在EVM区块链上检测金融机器人,在保护隐私的同时实现高准确率检测。
2025-01-21 cs.CR cs.DC
Resource Optimization for Blockchain-based Federated Learning in Mobile Edge Computing
随着移动边缘计算(MEC)和基于区块链的联邦学习(BCFL)的发展,许多研究建议在边缘服务器上部署BCFL。在这种情况下,资源有限的边缘服务器需要以具有成本效益的方式为移动设备提供卸载任务,并为BCFL系统提供模型训练和区块链共识,而不会牺牲任何一方的服务质量。为了解决这一问题,提出了一种边缘服务器的资源分配方案,旨在以最小的代价提供最优的服务。具体来说,我们首先分析MEC和BCFL任务所消耗的能量,然后使用每个任务的完成时间作为服务质量约束。然后,我们将资源分配挑战建模为多变量、多约束和凸优化问题。为了以渐进的方式解决这个问题,我们设计了两个算法的基础上交替方向的乘法器(ADMM)在同构和异构的情况下,平等和按需的资源分配策略,分别。我们提出的算法的有效性证明了通过严格的理论分析。通过大量的实验,我们提出的资源分配方案的收敛性和效率进行了评估。据我们所知,这是第一个工作,调查边缘服务器的资源分配困境BCFL在MEC。
2022-06-05 cs.DC
A Survey on Secure and Private Federated Learning Using Blockchain: Theory and Application in Resource-constrained Computing
Florida International University(佛罗里达国际大学);Southern Illinois University(南伊利诺伊大学)
近年来,由于先进机器学习和人工智能的快速发展以及新兴的安全和隐私威胁,联邦学习(FL)得到了广泛的普及。FL可以从边缘设备的本地数据存储中高效地生成模型,而不会向任何实体泄露敏感数据。虽然这种模式部分缓解了用户敏感数据的隐私问题,但由于日益增长的网络威胁和隐私侵犯技术,FL过程的性能可能受到威胁并达到瓶颈。为了加快FL过程的扩散,FL环境的区块链集成引起了学术界和工业界人士的广泛关注。区块链具有去中心化、不变性、共识和透明性的特点,有可能防止安全和隐私威胁。然而,如果区块链机制需要昂贵的计算资源,那么资源受限的FL客户端就不能参与训练。考虑到这一点,本次调查的重点是审查在资源受限的FL环境中成功部署区块链的挑战、解决方案和未来方向。我们全面回顾了适合FL过程的变体区块链机制,并讨论了它们在有限资源预算下的权衡。此外,我们还广泛分析了在资源受限的FL环境中可能观察到的网络威胁,以及区块链如何在阻止这些网络攻击方面发挥关键作用。为此,我们强调了一些潜在的解决方案,以实现区块链和联邦学习的耦合,这些解决方案可以提供高水平的可靠性、数据隐私和分布式计算性能。
2023-03-24 cs.CR cs.DC cs.LG
Blockchain-based Federated Learning for Device Failure Detection in Industrial IoT
设备故障检测是工业物联网(IIoT)中最基本的问题之一。然而,在传统的IIoT设备故障检测中,客户端设备需要将原始数据上传到中央服务器进行模型训练,这可能导致敏感业务数据的泄露。因此,在本文中,为了确保客户端数据隐私,我们提出了一种基于区块链的联邦学习方法,用于IIoT中的设备故障检测。首先,我们提出了一个基于区块链的联邦学习系统的平台架构,用于IIoT中的故障检测,该系统可以实现客户端数据的可验证完整性。在该架构中,每个客户端定期创建一个Merkle树,其中每个叶节点代表一个客户端数据记录,并将树根存储在区块链上。此外,为了解决IIoT故障检测中的数据异构性问题,我们提出了一种新的质心距离加权联邦平均(CDW\_FedAvg)算法,该算法考虑了每个客户端数据集的正类和负类之间的距离。此外,为了激励客户参与联邦学习,根据本地模型训练中使用的客户数据的大小和质心距离,设计了一种基于智能触点的激励机制。与我们的行业合作伙伴一起实现了所提出的架构的原型,并在可行性,准确性和性能方面进行了评估。结果表明,该方法是可行的,具有令人满意的精度和性能。
2020-10-18 cs.CR cs.DC cs.SE
2CP: Decentralized Protocols to Transparently Evaluate Contributivity in Blockchain Federated Learning Environments
Imperial College London(伦敦帝国学院);Vodafone(沃达丰);Technical University of Munich(慕尼黑工业大学);ConsenSys Health
联邦学习利用来自多个源的数据构建单个模型。虽然初始模型可能只属于将其带到网络进行训练的参与者,但确定由联邦学习产生的训练模型的所有权仍然是一个悬而未决的问题。在本文中,我们将探讨如何使用区块链(特别是以太坊)来确定使用联邦学习训练的模型的不断演变的所有权。首先,我们使用逐步评估指标来评估参与者在联邦学习过程中的相对贡献。接下来,我们介绍2CP,这是一个框架,包括两个用于区块链联邦学习的新协议,这两个协议都根据贡献者的相对贡献度在最终模型中奖励贡献者。众包协议允许参与者提出一个模型进行训练,并使用他们自己的数据来评估对模型的贡献。即使在不信任的环境中,潜在的训练者也可以公平地分享结果模型。即使没有任何一方拥有初始模型,也没有评估人员,联合会议定书也向培训人员提供同样的保证。我们用MNIST数据集进行实验,通过奖励在模型中具有更大份额的较大数据集,揭示了两种协议产生的良好贡献分数。我们的实验还表明,有必要将2CP与一个强大的模型聚合机制配对,以丢弃来自模型中毒攻击的低质量输入。
2020-11-15 cs.DC cs.LG
FLoBC: A Decentralized Blockchain-Based Federated Learning Framework
The American University in Cairo(开罗美国大学)
全球范围内数据的快速扩展需要更多的分布式解决方案,以便在更广泛的范围内应用机器学习。由此产生的分布式学习系统可以具有不同程度的集中化。在这项工作中,我们展示了我们的解决方案FLoBC,用于使用区块链技术构建一个通用的分散式联邦学习系统,适应任何与梯度下降优化兼容的机器学习模型。我们提出了我们的系统设计,包括两个分散的演员:训练器和验证器,以及我们的方法,以确保该系统的可靠和有效的操作。最后,我们利用FLoBC作为一个实验沙箱,比较和对比训练者与验证者的比例,奖惩政策和模型同步方案对整体系统性能的影响,最终通过例子表明,分散的联邦学习系统确实是一个可行的替代方案,以更集中的架构。
2022-10-07 cs.DC cs.LG cs.MA
Blockchain-based Framework for Scalable and Incentivized Federated Learning
Rensselaer Polytechnic Institute(伦斯勒理工学院)
针对中心化联邦学习的信任、单点故障与激励不足问题,提出融合智能合约和混合激励机制的区块链FL框架,并通过gas分析验证其可扩展性。
2025-02-20 cs.DC cs.LG
When Quantum Federated Learning Meets Blockchain in 6G Networks
Clemson University(克莱姆森大学)
本文提出QFLchain框架,结合量子联邦学习与区块链技术,以实现6G网络中可扩展且安全的智能学习。
2025-12-09 cs.CR cs.DC
Post Quantum Secure Blockchain-based Federated Learning for Mobile Edge Computing
Hunan University(湖南大学);Deakin University(迪肯大学)
移动边缘计算(MEC)一直是移动数据通信和边缘处理的一种很有前途的范例。我们的目标是将联邦学习(FL)和区块链的突出功能应用到MEC架构中,例如连接的自动驾驶汽车,以同时实现完全的去中心化,不变性和奖励机制。FL对于具有受限连接的移动设备是有利的,因为它需要将模型更新传递到中心点,而不是大量的数据通信。例如,自动联网车辆中的FL可以增加数据多样性并允许模型定制,即使车辆在短时间内未连接(通过利用其本地模型),也可以进行预测。然而,现有的同步FL和区块链由于移动性引起的损害而产生极高的通信成本,并且不直接适用于MEC网络。我们提出了一个完全异步的区块链联邦学习(BFL)框架,称为BFL-MEC,其中移动客户端及其模型独立发展,但保证全局学习过程的稳定性。更重要的是,我们在BFL-MEC上使用后量子安全功能来验证客户端的身份并抵御恶意攻击。我们所有的设计假设和结果进行了广泛的模拟评估。
2023-02-26 cs.CR cs.DC cs.LG
Blockchain-based Collaborated Federated Learning for Improved Security, Privacy and Reliability
联邦学习(FL)通过允许在边缘设备上进行模型训练而无需将数据从边缘发送到集中式服务器来提供隐私保护。FL发布了ML的实现。FL的另一种非常适合物联网(IoT)的变体被称为协作联邦学习(CFL),它不需要边缘设备直接链接到模型聚合器。相反,这些设备可以通过其他设备连接到中央模型聚合器,将它们用作中继。虽然FL和CFL保护了边缘设备的隐私,但对执行模型聚合的集中式服务器提出了安全挑战。集中式服务器容易发生故障、后门攻击、模型损坏、对抗攻击和外部攻击。此外,在FL和CFL中不需要边缘设备到集中式服务器的数据交换,但是模型参数从模型聚合器(全局模型)发送到边缘设备(本地模型),这仍然容易受到网络攻击。这些安全和隐私问题可以通过区块链技术来解决。区块链是一种去中心化和基于共识的链,设备可以共享共识账本,提高可靠性和安全性,从而大大减少对信息交换的网络攻击。在这项工作中,我们将研究基于区块链的模型参数和边缘设备之间以及从集中式服务器到边缘设备的相关信息的分散交换的有效性。此外,我们还将对基于区块链的CFL模型进行可行性分析,用于不同的应用场景,如车辆互联网和物联网。该研究旨在通过使用区块链驱动的CFL来提高安全性,可靠性和隐私保护。
2022-01-21 cs.CR cs.DC
LiFeChain: Lightweight Blockchain for Secure and Efficient Federated Lifelong Learning in IoT
The University of Hong Kong(香港大学);Simon Fraser University(西蒙菲莎大学)
LiFeChain通过轻量区块链技术,结合PoMC共识与Seg-ZA仲裁,有效提升物联网中联邦终身学习的安全性与效率,减少延迟和存储开销。
2026-03-30 cs.CR cs.DC
Resource Management for Blockchain-enabled Federated Learning: A Deep Reinforcement Learning Approach
Nanyang Technological University(南洋理工大学);PHENIKAA University(PHENIKAA大学);Sungkyunkwan University(成均馆大学);Umeå University(于默奥大学)
支持区块链的联邦学习(BFL)使移动设备能够协作地训练机器学习模型所有者(MLMO)所需的神经网络模型,同时将数据保存在移动设备上。然后,模型更新以分散和可靠的方式存储在区块链中。然而,BFL的问题是,移动设备具有能量和CPU约束,这可能会降低系统寿命和训练效率。另一个问题是,由于区块链挖掘过程,训练延迟可能会增加。为了解决这些问题,MLMO需要(i)决定移动设备使用多少数据和能量进行训练,以及(ii)确定块生成速率,以最大限度地减少系统延迟、能耗和激励成本,同时实现模型的目标准确度。在BFL环境的不确定性下,MLMO确定最优决策是具有挑战性的。我们建议使用深度强化学习(DRL)来获得MLMO的最佳决策。
2020-05-01 cs.DC cs.LG cs.NI
BAFFLE : Blockchain Based Aggregator Free Federated Learning
School of Industrial and Systems Engineering Georgia Institute of Technology(佐治亚理工学院工业与系统工程学院);TieSet Inc.(TieSet公司(或TieSet Inc.))
联邦学习(FL)的一个关键方面是需要一个集中式聚合器来维护和更新全局模型。然而,在许多情况下,由于许多操作限制,编排集中式聚合器可能是不可行的。在本文中,我们介绍了BAFFLE,这是一个无聚合器,区块链驱动的FL环境,本质上是分散的。BAFFLE利用智能合约(SC)来协调FL中的回合划分、模型聚合和更新任务。BAFFLE通过将全局参数空间分解为不同的块,然后采用得分和出价策略来提高计算性能。为了表征BAFFLE的性能,我们在私有以太坊网络上进行了实验,并使用集中式和聚合器驱动的方法作为我们的基准。我们表明,与基于聚合器的方法的直接适应相比,BAFFLE显着降低了区块链上FL的天然气成本。我们的研究结果还表明,BAFFLE实现了高的可扩展性和计算效率,同时提供类似的精度作为基准方法。
2020-10-18 cs.CR cs.DC cs.LG
Blockchain-Enabled Federated Learning
Quantum Cloud and Distributed Systems (qCLOUDS) Lab, School of Computing and Information Systems, The University of Melbourne, Australia(量子云与分布式系统实验室,计算机与信息系统学院,墨尔本大学,澳大利亚);Department of Computer Science and Engineering, University of Visvesvaraya College of Engineering, Bangalore University, India(计算机科学与工程系,维萨瓦拉亚工程学院,班加罗尔大学,印度)
本文探讨了区块链赋能的联邦学习在信任、隐私和协调方面的挑战,通过四维分类分析其架构,评估了共识机制、存储架构和信任模型的权衡,展示了TrustMesh框架在物联网设备上的应用。
2025-09-20 cs.DC cs.LG
Securing Health Data on the Blockchain: A Differential Privacy and Federated Learning Framework
Texas A&M University(德克萨斯农工大学);Metro State University(大都会州立大学)
面向医疗BIoT场景,提出融合差分隐私、联邦学习与区块链的框架,在SVHN上兼顾隐私保证、64.50%准确率及约6秒链上延迟。
2024-05-19 cs.CR cs.CY cs.DC
LiteChain: A Lightweight Blockchain for Verifiable and Scalable Federated Learning in Massive Edge Networks
针对海量边缘网络中联邦学习面临的通信、存储及安全度量挑战,提出轻量级区块链LiteChain,通过分布式聚类算法构建两级网络结构并引入CBFT共识与安全更新机制,在降低延迟和存储开销的同时有效抵御攻击。
2025-03-06 cs.CR cs.DC
A Sharded Blockchain-Based Secure Federated Learning Framework for LEO Satellite Networks
针对LEO卫星网络安全挑战,提出分片区块链联邦学习框架SBFL-LEO,利用区块链提高通信可靠性,通过矿工卫星识别恶意模型,提升模型准确性和能源效率。
2024-11-09 cs.CR cs.DC
A Distributed Computation Model Based on Federated Learning Integrates Heterogeneous models and Consortium Blockchain for Solving Time-Varying Problems
University of Macau(澳门大学);Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Shenzhen Institute of Artificial Intelligence and Robotics for Society(深圳人工智能与机器人研究院);Northwestern Polytechnical University(西北工业大学)
针对联邦学习依赖服务器且不支持异构模型协作的问题,提出基于联盟区块链的分布式计算模型DCM与DHI算法,实现异构模型可信协调,性能优于现有先进模型。
2023-06-28 cs.AI cs.DC cs.LG
Blockchain-aided wireless federated learning: Resource allocation and client scheduling
针对无线网络中区块链辅助去中心化联邦学习面临的资源受限与训练延迟问题,提出DRC-BDFL算法联合优化资源分配与客户端调度,在保证准确率相当的同时显著降低了训练延迟。
2024-06-02 cs.DC
Federated Learning over Blockchain-Enabled Cloud Infrastructure
Adobe Research(Adobe研究院);San Francisco State University(旧金山州立大学);Sir Padampat Singhania University(斯里帕曼特·辛格尼亚大学);San Francisco, USA(美国旧金山);Udaipur, India(印度乌代浦);San Jose, USA(美国圣何塞)
本文探讨了联邦学习与区块链技术在云边缘环境中的融合,提出四维架构分类,分析了协调框架、共识算法等关键要素,并对比了MORFLB和FBCI-SHS两种框架,指出其独特贡献与局限性。
2026-04-21 cs.CR cs.DC cs.LG
Reward-Based 1-bit Compressed Federated Distillation on Blockchain
Tsinghua University(清华大学);Fraunhofer Heinrich Hertz Institute(弗劳恩霍夫海因里希·赫兹研究所)
最近出现的各种形式的联邦知识蒸馏(FD)为新一代鲁棒且通信高效的联邦学习(FL)铺平了道路,其中仅仅聚合软标签,而不是像以前的FL方案中所做的深度神经网络(DNN)的整个梯度。这种基于设计的安全方法与性能日益提高的物联网(IoT)和移动设备相结合,开辟了一个新的可能性领域,可以利用来自行业和个人的私人数据作为人工智能模型训练的输入。然而,在以前的FL系统中,由于工人和中央权威机构之间的权力不平衡而缺乏信任,利他主义工人参与的假设以及无法正确衡量和比较工人的贡献,阻碍了这项技术从已经委托实体的小团体扩展到大规模采用。这项工作旨在通过引入一种新型的分散式联邦学习框架来缓解上述问题,在该框架中,高度压缩的1位软标签(类似于1-hot label预测)被聚合在智能合约上。在一个上下文中,工人的贡献,现在很容易比较,我们修改了同行的真相血清众包机制(PTSC)FD奖励诚实的参与的基础上同行一致性的激励兼容的方式。由于计算复杂性和存储的大幅降低,我们的框架是一个完全基于区块链的FL系统,在简单的智能合约上是可行的,因此与区块链无关。我们实验测试我们的新框架,并验证其理论特性。
2021-06-27 cs.CR cs.DC cs.LG
Privacy-Preserving Blockchain Based Federated Learning with Differential Data Sharing
对于数据正在成为最有价值资产之一的现代世界来说,植根于网络和应用程序基础设施的强大数据隐私策略正在成为保护敏感用户数据的更大需求。在适当的时候,随着侵犯用户隐私的新统计技术的不断发展,具有尊重用户隐私的算法的机器学习模型可以提供动态自适应的解决方案,以保护用户隐私,对抗数据集创建的指数增长的多维关系。在联邦学习生态系统的核心使用这些隐私感知ML模型可以使整个网络以分散的方式从数据中学习。通过利用移动设备不断增长的计算能力,提高网络可靠性和物联网设备革命性地改变智能设备行业,并将其与由区块链网络支持的安全和可扩展的全球学习会话相结合,以确保设备上的隐私,我们允许任何支持互联网的设备参与并为全球隐私保护贡献数据,使用区块链技术的数据共享网络,甚至允许网络奖励高质量的工作。这种网络架构也可以建立在现有的区块链网络之上,如以太坊和超级账本,这使得即使是小型初创公司也可以构建企业级的去中心化解决方案,允许任何人从公司不同部门的数据中学习,一直到参与全球同步学习网络的数千台设备。
2019-12-10 cs.CR cs.DC cs.LG
A Blockchain-empowered Multi-Aggregator Federated Learning Architecture in Edge Computing with Deep Reinforcement Learning Optimization
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
针对边缘计算中联邦学习的安全与多聚合器异构问题,提出基于区块链的BMA-FL架构,设计轻量级拜占庭共识机制PBCM,并采用多智能体深度强化学习优化训练策略,实验验证其高效性。
2023-10-14 cs.CR cs.DC cs.LG
AutoDFL: A Scalable and Automated Reputation-Aware Decentralized Federated Learning
University of La Rochelle(拉罗谢尔大学)
本文提出 AutoDFL 框架,利用 zk-Rollups 和自动化公平声誉模型提升声誉感知 BFL 的可扩展性、效率与安全性,实验显示其吞吐量超过 3000 TPS,gas 最高降低 20 倍。
2025-01-08 cs.CR cs.DC cs.ET
Blockchain Assisted Decentralized Federated Learning (BLADE-FL): Performance Analysis and Resource Allocation
Nanjing University of Science and Technology(南京理工大学);CSIRO(澳大利亚联邦科学与工业研究组织);University of Houston(休斯顿大学);Princeton University(普林斯顿大学)
联邦学习(FL)作为一种分布式机器学习范式,通过在每个客户端进行本地数据处理来促进个人隐私。然而,依赖于集中式服务器进行模型聚合,标准FL容易受到服务器故障、不可信服务器和外部攻击的影响。为了解决这个问题,我们提出了一个分散的FL框架,将区块链集成到FL中,即区块链辅助分散联邦学习(BLADE-FL)。在所提出的BLADE-FL的一轮中,每个客户端将训练的模型广播给其他客户端,将自己的模型与接收到的模型聚合,然后在下一轮的本地训练之前竞争生成块。我们评估了BLADE-FL的学习性能,并给出了全局损失函数的上界。然后,我们验证了这个界是凸的总聚合轮数K,并优化计算资源分配,以最小化上界。我们还注意到,存在一个严重的训练不足问题,这是由懒惰的客户端造成的,他们剽窃他人的训练模型,并添加人工噪声来掩盖他们的作弊行为。针对这一问题,研究了懒惰客户端对BLADE-FL学习性能的影响,分析了最优K、学习参数和懒惰客户端比例之间的关系.基于MNIST和Fashion-MNIST数据集,我们证明了实验结果与分析结果是一致的。具体而言,该上界与实验结果之间的差距小于5%,且基于上界的优化K能有效地使损失函数最小化。
2021-05-25 cs.DC cs.LG
Zero-Knowledge Proof-Based Consensus for Blockchain-Secured Federated Learning
针对区块链联邦学习中传统共识低效及学习型共识的隐私泄露问题,提出基于 zk-SNARK 的 ZKPoT 共识,可保护隐私、抵御拜占庭攻击并保持性能与效率。
2025-03-17 cs.CR cs.DC
FedBGS: A Blockchain Approach to Segment Gossip Learning in Decentralized Systems
Department of Sciences and Methods for Engineering(科学与工程方法系);University of Modena and Reggio Emilia(摩德纳和雷吉奥艾米利亚大学)
FedBGS是一种基于区块链的去中心化框架,通过分段 gossip 学习优化区块链使用,提升联邦学习中的隐私、安全和非 IID 数据处理能力。
2026-02-01 cs.AI cs.CR cs.DC
Robust Zero Trust Architecture: Joint Blockchain based Federated learning and Anomaly Detection based Framework
Deakin University(迪肯大学);School of IT(信息技术学院)
本文提出一种面向去中心化物联网的鲁棒零信任架构,结合基于区块链的联邦学习抵御恶意更新,并利用自适应无监督聚类与增量异常检测算法进行信任计算与零日攻击防范。
2024-06-24 cs.CR cs.DC cs.LG
VerifBFL: Leveraging zk-SNARKs for A Verifiable Blockchained Federated Learning
University of La Rochelle(拉罗谢尔大学)
本文提出 VerifBFL 框架,结合区块链、zk-SNARKs、IVC 与差分隐私,实现联邦学习本地训练和聚合的链上可验证性,并通过概念验证证明其高效性。
2025-01-08 cs.CR cs.DC cs.ET
Federated Byzantine Quorum Systems (Extended Version)
最近的一些区块链提案,如Stellar和Ripple,使用了拜占庭共识的典型配额结构,同时允许开放成员资格。这是通过以分散的方式构建法定人数来实现的:每个参与者独立选择信任谁,法定人数由这些个人决定产生。不幸的是,这种区块链背后的理论基础还没有得到彻底的研究。为了缩小这一差距,在本文中,我们研究了分散的法定人数建设联邦拜占庭法定人数系统,恒星使用。我们严格证明了联邦法定人数系统的基本广播抽象的正确性,并建立他们的关系,古典拜占庭法定人数系统。特别是,我们证明了正确性的拜占庭节点可能会说谎,他们的信任选择的现实设置。我们发现,这种设置导致拜占庭法定人数系统的一个新的变种,不同的节点可能有不同的理解是什么构成了法定人数。
2018-11-08 cs.DC
BlockFLA: Accountable Federated Learning via Hybrid Blockchain Architecture
The University of Texas at Dallas(得克萨斯大学达拉斯分校)
联邦学习(FL)是一种分布式、去中心化的机器学习协议。通过执行FL,一组代理可以联合训练模型,而无需彼此或第三方共享其数据集。这使得FL特别适合需要数据隐私的设置。与此同时,隐藏训练数据给攻击者提供了一个机会,可以将后门注入到经过训练的模型中。已经证明,攻击者可以在FL期间向训练好的模型注入后门,然后可以利用后门使模型在以后错误分类。一些作品试图通过设计强大的聚合函数来减轻这种威胁。然而,随着时间的推移,越来越多的复杂攻击会绕过现有的防御措施,因此我们在这项工作中从互补的角度来解决这个问题。特别是,我们的目标是通过检测和惩罚攻击者来阻止后门攻击,可能在训练阶段结束后。为此,我们开发了一个基于区块链的混合FL框架,该框架使用智能合约来自动检测并通过金钱惩罚来惩罚攻击者。我们的框架是通用的,在这个意义上,任何聚合功能,和任何攻击者检测算法可以插入到它。我们进行实验,以证明我们的框架保留了FL的通信效率的性质,并提供实证结果来说明,它可以成功地利用我们的新的攻击者检测算法惩罚攻击者。
2020-10-14 cs.CR cs.DC cs.LG
An Efficient and Reliable Asynchronous Federated Learning Scheme for Smart Public Transportation
Deakin University(迪肯大学);Commonwealth Scientific and Industrial Research Organization(澳大利亚联邦科学与工业研究组织);Xidian University(西安电子科技大学);Qilu University of Technology(齐鲁工业大学);Shandong Computer Science Center(山东省计算中心)
由于交通状况会随时间而变化,因此在智能公共交通中,预测交通流量的机器学习模型必须持续有效地更新。联邦学习(FL)是一种分布式机器学习方案,允许总线接收模型更新,而无需等待云上的模型训练。然而,FL很容易受到中毒或DDoS攻击,因为公共汽车在公共场所行驶。异步联邦学习(AFL)是一种通过减少聚合延迟来提高效率的方案,但由于局部模型权重不合理,导致学习性能不稳定。为了解决上述挑战,本文提出了一种基于区块链的具有动态缩放因子的异步联邦学习方案(DBAFL)。具体来说,区块链的新型基于委员会的共识算法以尽可能低的时间成本提高了可靠性。同时,设计的动态缩放因子允许AFL分配合理的权重到陈旧的本地模型。在异构设备上进行的大量实验验证了DBAFL的学习性能,效率和可靠性。
2022-12-26 cs.DC cs.LG
A Blockchain-based Reliable Federated Meta-learning for Metaverse: A Dual Game Framework
Hamad Bin Khalifa University(哈马德·本·哈利法大学);Qatar University(卡塔尔大学);Mohamed Bin Zayed University of Artificial Intelligence (MBZUAI)(穆罕默德·本·扎耶德人工智能大学)
本文针对元宇宙中用户异质性导致的联邦元学习训练效果下降问题,提出融合区块链协作联盟形成博弈与Stackelberg激励的双博弈框架,通过声誉系统和激励机制提升训练性能、缩短完成时间并增强元宇宙效用。
2024-08-07 cs.AI cs.DC cs.GT
Spectral Sentinel: Scalable Byzantine-Robust Decentralized Federated Learning via Sketched Random Matrix Theory on Blockchain
Department of Computer Science \& Engineering
Spectral Sentinel通过在区块链上应用简化的随机矩阵理论,实现对大规模非IID数据的拜占庭鲁棒性联邦学习,提供高效的检测与聚合框架。
2025-12-14 cs.DC cs.LG