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
Tracing the Data Trail: A Survey of Data Provenance, Transparency and Traceability in LLMs
Pro2Future GmbH;Know Center Research GmbH;Graz University of Technology(格拉茨技术大学)
本文综述了大型语言模型中数据溯源、透明性和可追溯性的问题,提出分类法并分析了数据生成、水印、偏见测量等关键方法及透明性与隐私的权衡。
2026-01-19 cs.AI cs.CR cs.LG
Blockchain-based Secure Client Selection in Federated Learning
University of Florida(佛罗里达大学);Virginia Commonwealth University(弗吉尼亚联邦大学)
尽管联邦学习(FL)在大规模分布式学习中具有巨大的潜力,但由于客户端训练的本地模型暴露于中央服务器,当前系统仍然受到一些隐私问题的影响。因此,FL的安全聚合协议已经被开发出来,以隐藏服务器的本地模型。然而,我们表明,通过操纵客户端的选择过程中,服务器可以绕过安全聚合学习受害者客户端的本地模型,表明安全聚合本身是不够的隐私保护。为了解决这个问题,我们利用区块链技术提出了一个可验证的客户端选择协议。由于区块链的不变性和透明性,我们提出的协议强制随机选择客户端,使服务器无法自行控制选择过程。我们目前的安全证明表明,我们的协议是安全的,对这种攻击。此外,我们在类似以太坊的区块链上进行了几次实验,以证明我们的解决方案的可行性和实用性。
2022-05-11 cs.CR cs.LG
APPFLChain: A Privacy Protection Distributed Artificial-Intelligence Architecture Based on Federated Learning and Consortium Blockchain
物联网的最新研究已广泛应用于工业实践,促进了数据和连接设备的指数增长。阻碍,数据驱动的人工智能模型将通过某些数据共享政策由不同的各方访问。然而,目前的大多数培训程序依赖于集中的数据收集策略和单个计算服务器。然而,这种集中式方案可能导致许多问题。存储在集中式数据库中的客户数据可能会被篡改,因此无法证明数据的来源和真实性。一旦出现上述安全问题,经过训练的人工智能模型的可信度就会受到质疑,甚至可能在测试阶段产生不利的结果。最近,区块链和人工智能,工业4.0和Web 3.0的两个核心技术,已经被探索以促进去中心化的人工智能培训策略。为了达到这个目的,我们提出了一个新的系统架构,称为APPFLChain,即基于Hyperledger Fabric的区块链和联邦学习范式的集成架构。我们提出的新系统允许各方联合训练AI模型,他们的客户或利益相关者通过基于区块链的联盟网络连接起来。我们的新系统可以保持高度的安全性和隐私,因为用户不需要向服务器共享敏感的个人信息。为了进行数值评估,我们模拟了一个真实的场景来说明APPFLChain的整个操作过程。仿真结果表明,APPFLChain利用联盟区块链和联邦学习的特点,具有不可篡改性、可追溯性、隐私保护和可靠决策等特性。
2022-07-11 cs.AI cs.CR cs.DB
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
SGDE: Secure Generative Data Exchange for Cross-Silo Federated Learning
Politecnico di Milano(米兰理工大学)
GDPR等隐私监管法律将透明度和安全性作为数据处理算法的设计支柱。在这种背景下,联邦学习是隐私保护分布式机器学习最有影响力的框架之一,在许多自然语言处理和计算机视觉任务中取得了惊人的成果。一些联邦学习框架采用差分隐私来防止私有数据泄露给未经授权的方和恶意攻击者。然而,许多研究强调了标准联邦学习在中毒和推断方面的脆弱性,从而引发了对敏感数据潜在风险的担忧。为了解决这个问题,我们提出了SGDE,一个生成的数据交换协议,提高用户的安全性和机器学习性能的跨筒仓联邦。SGDE的核心是共享具有强差分隐私保证的数据生成器,这些数据生成器是在私有数据上训练的,而不是传递显式的梯度信息。这些生成器合成任意大量的数据,这些数据保留了私有样本的独特特征,但差异很大。在这项工作中,SGDE在图像和表格数据集上的跨筒仓联邦网络中进行测试,利用beta-变分自编码器作为数据生成器。从结果来看,SGDE的加入提高了任务的准确性和公平性,以及对联邦学习最有影响力的攻击的弹性。
2022-09-07 cs.AI cs.CR 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
LR-XFL: Logical Reasoning-based Explainable Federated Learning
Nanyang Technological University(南洋理工大学);Joint NTU-WeBank Research Centre on Fintech, Nanyang Technological University(南洋理工大学-微众银行金融科技联合研究中心)
针对联邦学习因隐私保护缺乏全局可解释性的问题,提出LR-XFL方法,通过客户端上传本地逻辑规则、服务器基于数据属性聚合规则和模型,在提升准确率等指标的同时增强模型可解释性与鲁棒性。
2023-12-19 cs.AI cs.DC cs.LG
Decentralized Trust for Space AI: Blockchain-Based Federated Learning Across Multi-Vendor LEO Satellite Networks
OrbitChain通过区块链技术实现多供应商LEO卫星网络中的去中心化信任,提升联邦学习的隐私、安全性和模型准确性。
2025-12-09 cs.CR cs.LG
Atlas: A Framework for ML Lifecycle Provenance & Transparency
Intel Labs(英特尔实验室)
针对 ML 生命周期中的供应链风险及透明度与保密性冲突,本文提出 Atlas 框架,利用开放溯源规范、可信硬件和透明度日志实现可验证、保密的端到端 ML 流水线,并通过原型和两个案例验证其实用性。
2025-05-14 cs.AI cs.CR
End-to-End Verifiable Decentralized Federated Learning
POSTECH(浦项科技大学);TU Berlin(柏林工业大学)
针对现有可验证去中心化联邦学习缺乏端到端数据完整性保障的问题,提出结合两步证明与验证(2PV)方法的系统,将可验证性扩展至数据源,实现数据与计算的端到端完整性和真实性,且开销极小。
2024-04-19 cs.CR cs.DC cs.LG
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
Explainable AI for Chronic Kidney Disease Prediction Using Simulated Federated Learning
该研究针对慢性肾病预测问题,运用带投票分类器的联邦学习,结合随机森林等算法为全局服务器选最佳模型,用GridSearchCV优化客户端模型性能,还引入可解释人工智能技术,其全局模型平均准确率达99%,助力早期CKD诊断和数据驱动医疗。
2026-07-29 cs.AI cs.LG
Trustworthy Privacy-Preserving Multimodal Federated Learning for Personalised Breast Cancer Prediction
NTU(南洋理工大学)
研究探讨联邦学习能否兼顾四个关键支柱,支持乳腺癌患者肿瘤进展预测模型开发。通过多模态数据评估联邦学习框架,与集中式模型比较性能,并研究相关策略,结果助于理解隐私保护多模态预测建模可行性及支持未来应用。
2026-07-23 cs.AI cs.LG
Blockchained Federated Learning for Internet of Things: A Comprehensive Survey
University of Technology Sydney(悉尼科技大学);Harbin Institute of Technology(哈尔滨工业大学);Data61, CSIRO(联邦科学与工业研究组织数据61研究所);Xidian University(西安电子科技大学)
本综述系统比较了区块链联邦学习(BlockFL)在个人、工业、车辆和健康物联网四类场景中的表现,分析其安全、隐私、信任、效率及数据异构性优势与挑战,并梳理可受益的现有技术,为应用选型提供决策参考。
2023-05-08 cs.CR 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
Secure Decentralized Federated Learning via Gossip and Virtual Voting
Columbia University(哥伦比亚大学)
研究如何实现安全的去中心化联邦学习,提出gspDAG-FL框架,通过八卦历史达成共识,结合多种验证方法提高弹性,经实验验证其在减少协调瓶颈、提高吞吐量及检测无效起源等方面效果良好,学习质量接近基于验证的账本FL。
2026-07-10 cs.DC cs.LG
A Federated Random Forest Solution for Secure Distributed Machine Learning
IEETA/DETI, LASI University of Aveiro(IEETA/DETI实验室,阿维罗大学)
本文提出基于PySyft的联邦随机森林框架,通过加权平均、增量学习和本地评估,在保护隐私的前提下实现接近集中式精度的分布式树模型训练。
2025-05-12 cs.LG
Can Federated Learning Save The Planet?
University of Cambridge(剑桥大学);Avignon Université(阿维尼翁大学);Adap;University College London(伦敦大学学院)
尽管取得了令人印象深刻的成果,但基于深度学习的技术也引发了严重的隐私和环境问题,这是由数据中心经常进行的训练过程引起的。作为回应,集中式培训的替代方案,如联邦学习(FL)已经出现。也许出乎意料的是,FL开始在全球范围内部署,这些公司必须遵守来自政府和民间社会的隐私保护的新法律要求和政策。然而,与FL相关的潜在环境影响仍然不清楚和未探索。本文首次系统地研究了FL的碳足迹。首先,我们提出了一个严格的模型来量化碳足迹,从而促进FL设计和碳排放之间的关系的调查。然后,我们比较了FL与传统集中式学习的碳足迹。我们的研究结果表明,尽管FL收敛速度较慢,但它可以成为比数据中心GPU更环保的技术。最后,我们强调并将报告的结果与FL未来的挑战和趋势联系起来,以减少其对环境的影响,包括算法效率,硬件功能和更强的行业透明度。
2021-04-07 cs.LG
A Federated Learning Approach for Mobile Packet Classification
University of California, Irvine(加州大学欧文分校)
为了提高移动数据透明度,已经提出了许多基于网络的方法来检查由移动设备生成的分组并检测个人可识别信息(PII)、广告请求或其他活动。最先进的方法是基于从HTTP数据包中提取的特征来训练分类器。到目前为止,这些分类器只以集中的方式进行训练,移动用户将其数据包日志标记并上传到中央服务器,然后训练全局分类器并与用户共享以应用于他们的设备。然而,用作训练数据的分组日志可能包含用户可能不想共享/上传的敏感信息。在本文中,我们申请,第一次,联邦学习方法的移动数据包分类,它允许移动设备合作和训练的全球模型,而不共享原始训练数据。我们在此背景下解决的方法学挑战包括:模型和特征选择,以及调整联邦学习参数。我们将我们的框架应用于两个不同的分组分类任务(即,预测PII曝光或HTTP数据包中的广告请求),我们使用三个真实世界的数据集在分类性能,通信和计算成本方面证明了其有效性。
2019-07-30 cs.LG cs.NI stat.ML
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
An Interpretable Client Decision Tree Aggregation process for Federated Learning
University of Granada(格拉纳达大学);Andalusian Research Institute in Data Science and Computational Intelligence (DaSCI)(安达卢西亚数据科学与计算智能研究所)
针对联邦学习中决策树难以聚合且易损失可解释性与精度的问题,提出一种聚合多决策路径的客户端决策树流程,适用于 ID3 和 CART,并在四个数据集上验证其优于局部模型和现有方法。
2024-04-03 cs.AI cs.LG
Integrating Asynchronous AdaBoost into Federated Learning: Five Real World Applications
Institute for Informatics and Automation Problems(信息学与自动化问题研究所);Universidad Politécnica de Madrid(马德里理工大学)
本文提出融合自适应通信调度与延迟权重补偿的异步 AdaBoost 联邦学习框架,并通过五类真实应用验证其在效率、收敛和鲁棒性上的提升。
2025-06-10 cs.LG
Decoding Federated Learning: The FedNAM+ Conformal Revolution
UC San Diego(加州大学圣地亚哥分校);ECE(电子工程系);CSE(计算机科学与工程系)
本文提出FedNAM+框架,通过集成NAMs与共形预测方法,利用梯度敏感度图实现可解释且高效的像素级不确定性估计,在多个数据集上验证了其高精度与低计算开销的优势。
2025-06-28 cs.CV cs.LG
DANCE: Dynamic, Available, Neighbor-gated Condensation for Federated Text-Attributed Graphs
Department of Computer Science, Beijing Institute of Technology, Beijing, China(北京理工大学计算机科学系);The Hong Kong University of Science and Technology (GZ), Guangzhou, China(香港科技大学(广州))
DANCE通过动态、可用、邻居门控的图压缩方法,提升联邦文本属性图学习的准确性和可解释性。
2026-01-23 cs.LG
A Federated learning model for Electric Energy management using Blockchain Technology
University of Management and Technology(管理与技术大学);University of the Punjab(旁遮普大学)
针对发展中国家能源短缺与管理不足问题,提出基于区块链的安全分布式账本技术保障产消者与消费者交易安全,同时构建联邦学习模型预测能源需求,实验验证可再生能源应用效果更优。
2023-07-18 cs.LG cs.SY eess.SY
FedXDS: Leveraging Model Attribution Methods to counteract Data Heterogeneity in Federated Learning
Fraunhofer Heinrich Hertz Institute(弗劳恩霍夫海因里希·赫兹研究所);Technical University of Berlin(柏林工业大学);Berlin Institute for the Foundations of Learning and Data (BIFOLD)(柏林学习与数据基础研究所)
提出FedXDS方法,首次利用XAI的特征归因技术识别需共享的数据元素,通过选择性数据共享和度量隐私保护,在异质性联邦学习中提升精度和收敛速度。
2026-07-01 cs.AI cs.LG
TRIP-Shapley: Propagation-Aware Contribution Attribution Framework for Peer-to-Peer Federated Learning
The University of Tokyo(东京大学);Institute of Science Tokyo(东京科学研究所);RIKEN AIP(理化学研究所AIP)
针对去中心化联邦学习中现有贡献评估方法不适用的问题,提出TRIP-Shapley方法,通过追踪逐轮贡献传播估算总体贡献,兼具准确性、可扩展性与抗不诚实客户端的鲁棒性。
2026-10-19 cs.LG
Trans-XFed: An Explainable Federated Learning for Supply Chain Credit Assessment
Department of Information and Computing Sciences, Utrecht University(信息与计算科学系,乌得勒支大学)
本文提出 Trans-XFed 架构,将联邦学习与可解释人工智能结合用于供应链信用评估,通过基于性能的客户端选择策略、同态加密 FedProx 和 transformer 编码器解决隐私、类别不平衡、Non-IID 及可解释性问题,并在真实数据集上验证了其准确性与透明性。
2025-08-19 cs.DC cs.LG
Federated Explainable Artificial Intelligence: Roles, Architectures, Evaluation, and Open Challenges
Department of Information Engineering, University of Pisa(比萨大学信息工程系)
本文综述联邦可解释人工智能(FedXAI)范式,介绍其分类法,回顾多种方法及评估实践,讨论不足,识别如非IID数据下可解释性等关键挑战,为设计可信、透明且隐私保护的联邦人工智能系统提供参考。
2026-07-16 cs.AI 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
Trust-Based Incentive Mechanisms in Semi-Decentralized Federated Learning Systems
Vancouver Island University(温哥华岛大学)
本文提出基于信任的激励机制,通过动态评估信任分数以促进诚实参与并惩罚恶意行为,结合区块链技术提升联邦学习系统的透明性和公平性。
2026-08-07 cs.AI cs.ET cs.LG
Operationalising Artificial Intelligence Bills of Materials (AIBOMs) for Verifiable AI Provenance and Lifecycle Assurance
本文提出了一种扩展CycloneDX标准的AIBOM框架,用于捕捉AI特定的溯源、模型血统和披露元数据,通过结构化架构工程、密码学验证和智能体驱动自动化,实现可验证的软件溯源,展示了98.7%的可重复性保真度、96.2%的漏洞匹配精度和63%的手动监督减少,验证了自动化溯源保证和可重复AI生命周期验证的可行性。
2026-03-17 cs.AI cs.CR cs.LG
Rashomon Sets and Model Multiplicity in Federated Learning
Institute of Computer Science, Johannes Gutenberg University(约翰内斯·古滕贝格大学计算机科学研究所)
本文首次在联邦学习中形式化Rashomon集,提出三种视角定义,探讨模型多样性对透明性、公平性和鲁棒性的影响,通过实验验证其有效性。
2026-05-09 cs.DC cs.LG
An Efficient Unsupervised Federated Learning Approach for Anomaly Detection in Heterogeneous IoT Networks
Faculty of Electrical and Computer Engineering, Qom University of Technology(电气与计算机工程学院,科姆技术大学);Department of Computer Engineering, Faculty of Industry and Mining (Khash), Sistan and Baluchestan University(计算机工程系,工业与采矿学院(Khash),锡斯坦和巴尔赫斯坦大学);Canadian Institute for Cybersecurity, University of New Brunswick(加拿大网络安全研究所,新不伦瑞克大学);Sustainable Digitalisation Research Centre (SDRC), Department of Computer Science and Media Technology, Faculty of Technology and Society, Malmo University(可持续数字化研究中心(SDRC),计算机科学与媒体技术系,技术与社会学院,马尔默大学)
本文提出了一种高效的无监督联邦学习框架,通过利用互补数据集的共享特征提升物联网环境中的异常检测性能。
2026-02-27 cs.AI cs.LG
Watermark Robustness and Radioactivity May Be at Odds in Federated Learning
Georgia Institute of Technology(佐治亚理工学院)
本文研究联邦学习中 LLM 数据来源水印问题,揭示水印放射性虽易检测,却会使更新成为异常值而被鲁棒聚合过滤,从而引发放射性、鲁棒性与效用的根本权衡。
2026-11-02 cs.CR
A first look into the carbon footprint of federated learning
Flower Labs GmbH(Flower实验室有限公司);Nokia Bell Labs(诺基亚贝尔实验室);University of Cambridge(剑桥大学);Avignon Université(阿维尼翁大学);University of Oxford(牛津大学)
本文首次系统研究联邦学习的碳足迹,提出严格量化模型,发现其碳排放依配置最高可比集中式学习多两个数量级,并指出未来需从算法、硬件和行业透明度方面减少环境影响。
2023-05-22 cs.DC cs.LG
TEFL: Turbo Explainable Federated Learning for 6G Trustworthy Zero-Touch Network Slicing
针对6G网络切片零接触管理的可信性需求,提出基于Turbo原理的TEFL框架,通过资源分配模型与解释器闭环交互实现可解释联邦学习,验证了其在non-IID数据下优于无约束事后解释基线。
2023-07-25 cs.IT cs.LG math.IT
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
Evaluating Privacy-Preserving Machine Learning in Critical Infrastructures: A Case Study on Time-Series Classification
Technical University Kaiserslautern(凯泽斯劳滕工业大学)
随着机器学习在医疗保健和能源等关键基础设施应用中的出现,隐私问题越来越受到利益相关者的关注。关键是要确保模型和数据都不能被用来提取攻击者用来攻击个人的敏感信息,或通过利用关键基础设施来伤害整个社会。机器学习在这些领域的适用性主要是有限的,由于缺乏信任的透明度和隐私约束。各种安全关键用例(主要依赖于时间序列数据)目前在隐私相关的考虑中代表性不足。通过评估几种隐私保护方法对时间序列数据的适用性,我们验证了加密对深度学习的无效性,差分隐私的强数据集依赖性以及联邦方法的广泛适用性。
2021-11-29 cs.CR cs.LG
SimQFL: A Quantum Federated Learning Simulator with Real-Time Visualization
Department of Electrical and Computer Engineering, The University of Alabama in Huntsville, AL, USA(电气与计算机工程系,阿拉巴马大学亨茨维尔分校)
针对现有量子模拟器缺乏联邦学习任务支持、无实时可视化、难接入自定义数据的问题,本文推出SimQFL模拟器,支持自定义超参数、逐轮实时可视化反馈,为量子联邦学习实验提供高可控的交互式原型平台。
2025-11-12 cs.LG quant-ph
Share No More Than the Request Requires: Federated Disclosure for Perspective-Aware AI
Toronto Metropolitan University(多伦多都会大学);Flybits Labs(Flybits实验室);MIT Media Lab(麻省理工学院媒体实验室)
研究跨域边界最小必要披露问题,提出“来源保留编年史”协议,通过编译持有者编年史为授权证据子图,遵循“按需共享”规则,保持本地主权并分阶段返回数据,实现安全披露上下文。
2026-07-28 cs.AI cs.CR cs.CY
A Blockchain-based Data Governance Framework with Privacy Protection and Provenance for e-Prescription
医疗保健和供应链领域的实际应用程序在多利益相关者环境中生成、交换和共享数据。数据所有者希望在这样的设置中控制他们的数据和隐私。另一方面,数据消费者需要了解何时、如何以及谁产生数据的方法。这些需求需要数据治理框架来保证数据来源、隐私保护和同意管理。我们引入了一个基于区块链技术和代理重新加密的去中心化数据治理框架,让数据所有者通过隐私增强和同意管理机制来控制和跟踪他们的数据。此外,我们的框架允许数据消费者通过基于区块链的出处机制来理解数据沿袭。我们使用数字电子处方作为用例,因为它具有多个利益相关者和敏感数据,同时使医疗界能够管理患者的处方数据,将患者作为数据所有者,将医生和药剂师作为数据消费者。我们基于CosmWasm、Ethereum和pyUmbral PRE的概念验证实现和评估结果表明,所提出的去中心化系统以最小的开销保证了透明度、隐私和信任。
2021-12-28 cs.CR
A Blockchain-based Approach for Data Accountability and Provenance Tracking
最近批准的《通用数据保护条例》(GDPR)对数据控制者和处理者在处理欧盟(EU)居民数据方面提出了新的数据保护要求。这些要求包括一套具有约束力的法律地位的规则,应在所有欧盟成员国执行。鉴于这些要求,我们在本文中提出使用基于区块链的方法来支持数据问责制和来源跟踪。我们的方法依赖于使用部署在区块链中的可公开审计的合同,这些合同增加了数据访问和使用的透明度。我们确定并讨论了三种不同的模型,我们的方法具有不同的粒度和可扩展性的要求,合同可以用来编码数据使用策略和出处跟踪信息的隐私友好的方式。从这三个模型中,我们设计、实现和评估了一个模型,其中合约由数据主体为每个数据控制器部署,以及一个模型,其中主体在接受数据处理条件的情况下加入数据控制器部署的合约。我们的实现表明,在实践中的可行性和局限性的合同在本文中确定的目的。
2017-06-14 cs.CR
PrivChain: Provenance and Privacy Preservation in Blockchain enabled Supply Chains
区块链为供应链事件数据提供了可追溯性和透明度,因此可以帮助克服供应链管理中的许多挑战,例如:数据完整性,来源和可追溯性。然而,诸如保护商业秘密等数据隐私问题阻碍了区块链技术的采用。虽然联盟区块链只允许授权的供应链实体读取/写入分类账,但无法确定商业秘密的隐私保护。在这项工作中,我们提出了一个隐私保护框架PrivChain,使用零知识证明来保护区块链上的敏感数据。PrivChain提供来源和可追溯性,而不会向最终消费者或供应链实体泄露任何敏感信息。其新颖性源于:a)其允许数据所有者保护与贸易相关的信息并且相反地提供关于数据的证明的能力,以及b)针对提供关于来源数据的有效证明的实体的集成激励机制。特别是,PrivChain使用零知识范围证明(ZKRP),这是ZKP的一种有效变体,可以在不披露供应链产品确切位置的情况下提供原产地信息。此外,该框架允许离线计算证明和承诺,将计算开销与区块链解耦。证据验证过程和激励支付启动使用区块链交易,智能合约和事件自动化。Hyperledger Fabric上的概念验证实现揭示了将PrivChain用于启用区块链的供应链的最小开销。
2021-04-27 cs.CR
P3GNN: A Privacy-Preserving Provenance Graph-Based Model for APT Detection in Software Defined Networking
P3GNN模型结合联邦学习与图卷积网络,利用无监督学习分析溯源图,在SDN中实现节点级APT检测,准确率0.93,误报率0.06。
2024-07-08 cs.CR
AgriTrust: a Federated Semantic Governance Framework for Trusted Agricultural Data Sharing
Embrapa Digital Agriculture(巴西农业研究公司数字农业中心)
本文提出AgriTrust联邦语义治理框架,通过多方治理模型与OWL核心本体实现农业数据的语义互操作和可信共享,并在巴西咖啡、大豆和牛肉供应链中验证了可验证溯源、自动化合规及数据生产者增收等效果。
2025-11-04 cs.CE cs.CR cs.CY
Communication-Efficient Search under Fully Homomorphic Encryption for Federated Machine Learning
本文针对联邦学习中CKKS全同态加密模型的高效搜索问题,提出基于平衡二叉树和对数级网络交互的加密值搜索方法,显著提升中间模型管理与审计能力。
2023-08-09 cs.CR cs.DS
AMP: Authentication of Media via Provenance
图形学和机器学习的进步使得易于使用的媒体修改和合成工具变得普遍可用。这些工具的泛滥可能会让人们对所有媒体的真实性产生怀疑。阻止虚假媒体流的一种方法是通过机器学习方法检测修改或合成的媒体。虽然检测可能在短期内有所帮助,但我们认为,随着虚假媒体生成质量的不断提高,它注定会失败。很快,无论是人类还是算法都将无法可靠地区分虚假内容和真实内容。因此,将需要确保媒体来源和完整性的管道,而且越来越依赖这种管道。我们提出了AMP,一个系统,确保通过证明出处的媒体的身份验证。AMP为内容提供方上载的媒体实例创建一个或多个经验证者签名的清单。这些清单存储在数据库中,允许从浏览器等应用程序快速查找。作为参考,清单还通过使用机密联盟框架(CCF)实现的许可分类账进行注册和签名。CCF采用软件和硬件技术来确保所有已登记清单的完整性和透明度。AMP通过使用CCF,使一个媒体提供商联盟能够管理该服务,同时使其所有业务都可审计。媒体的真实性可以通过浏览器中的视觉元素传达给用户,指示AMP清单已成功定位和验证。
2020-06-20 cs.CR cs.MM cs.SY
Byzantine-Robust Federated Learning Using Generative Adversarial Networks
Uppsala University(乌普萨拉大学)
本文提出一种基于条件生成对抗网络的联邦学习防御框架,在服务器端合成数据验证客户端更新,无需外部数据集,能有效抵御拜占庭攻击并保持模型精度。
2025-09-11 cs.AI cs.CR cs.DC
DeTrust-FL: Privacy-Preserving Federated Learning in Decentralized Trust Setting
联邦学习已经成为一种隐私保护的机器学习方法,其中多方可以训练单个模型,而无需共享其原始训练数据。联邦学习通常需要利用多方计算技术,通过确保不受信任或好奇的聚合器无法从参与训练过程的各方获得孤立的回复来提供强有力的隐私保证,从而防止潜在的推理攻击。直到最近,人们还认为这些安全聚合技术中的一些足以完全防止来自好奇聚合器的推理攻击。然而,最近的研究表明,一个好奇的聚合器可以成功地发起分解攻击,以了解目标方的模型更新信息。本文介绍了DeTrust-FL,一个有效的隐私保护联邦学习框架,用于解决缺乏透明度,使隔离攻击,如解聚攻击,在安全聚合过程中,通过确保各方的模型更新包括在聚合模型中的私人和安全的方式。DeTrust-FL提出了一种分散的信任共识机制,并结合了最近提出的分散功能加密(FE)方案,其中所有各方在协作生成解密密钥片段之前就参与矩阵达成一致,从而在分散设置中获得对安全聚合过程的控制和信任。我们的实验评估表明,DeTrust-FL在训练时间方面优于最先进的基于FE的安全多方聚合解决方案,并减少了传输的数据量。与现有方法相比,这是在不创建对外部可信实体的任何信任依赖性的情况下实现的。
2022-07-15 cs.CR
Honest Computing: Achieving demonstrable data lineage and provenance for driving data and process-sensitive policies
本文提出 Honest Computing 概念及参考框架,融合机密计算、密码学与 AAA 等技术,实现可证明的数据沿袭、溯源及策略驱动的诚信数据处理。
2024-07-19 cs.CR cs.CY
Verifiable Fine-Tuning for LLMs: Zero-Knowledge Training Proofs Bound to Data Provenance and Policy
1 Department of Computer Engineering, Istanbul Technical University (ITU), 34469 Istanbul, Turkey Email;2 Department of Computer Science, University of Malta, MSD 2080 Msida, Malta Email;3 Faculty of Electrical \& Computer Engineering, University of Prishtina ``Hasan Prishtina'', 10000 Prishtina, Kosovo Email;4 School of IT \& Engineering, ADA University, AZ1008 Baku, Azerbaijan Email;5 Faculty of Mathematics, Natural Sciences;Information Technologies (FAMNIT), University of Primorska, 6000 Koper, Slovenia Email;6 Faculty of Computer Science \& Engineering (FINKI), Ss.\ Cyril;Methodius University in Skopje, 1000 Skopje, North Macedonia Email
本研究提出可验证微调方法,通过零知识证明确保模型训练过程的透明性和合规性,实现数据来源和政策的绑定,提升模型发布的可信度。
2025-12-29 cs.CL cs.CR
Toward provably private learning from federated data
提出基于可信执行环境的联邦学习系统,首次提供外部可验证的中心化差分隐私保证,提升隐私-效用权衡并已投入生产用于Gboard模型训练。
2026-10-01 cs.CR