Superlight -- A Permissionless, Light-client Only Blockchain with Self-Contained Proofs and BLS Signatures
区块链协议基于分布式数据库，其中存储的数据保证是不可变的。所有节点都必须维护自己的数据库本地副本的要求确保了安全性，而共识机制有助于决定哪些数据被添加到数据库中，并防止强大的对手破坏系统。然而，由于构成区块链基础的数据库是一个不断增长的区块列表，因此可扩展性是这项技术的固有问题。一些公共区块链需要100 GB到TB的存储空间。在这项工作中，我们提出了具有自包含证明的Superlight概念，该概念旨在提高公共区块链的可扩展性，同时保持安全性和去中心化。不是所有节点都拥有整个区块链的本地副本来验证交易，而是节点可以仅使用区块头来导出交易的有效性。为了保持块报头的紧凑性，使用BLS签名来组合签名。我们提供了SCP的定义，并展示了客户端创建其他节点接受的资金转移证明所需的步骤。这种仅限轻客户端的区块链的优点是存储需求较低，而缺点是由于BLS签名而增加了计算复杂性，由于缺乏全局状态而限制了用例，以及需要发送者，接收者和矿工之间的交互协议来创建交易。
2019-09-16 cs.CR cs.DC
BFLN: A Blockchain-based Federated Learning Model for Non-IID Data
针对联邦学习中客户端数据非独立同分布导致的性能下降问题，提出结合区块链的BFLN模型，通过新型聚合方法与激励算法提升非IID数据下的训练准确率，并提供可持续激励机制。
2024-07-10 cs.DC
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
FAIR-BFL: Flexible and Incentive Redesign for Blockchain-based Federated Learning
Hunan University（湖南大学）；Deakin University（迪肯大学）
Vanilla联邦学习（FL）依赖于集中式全局聚合机制，并假设所有客户端都是诚实的。这使得FL在减轻单点故障和不诚实客户方面面临挑战。FL设计理念中这些迫在眉睫的挑战要求基于区块链的联邦学习（BFL），因为FL和区块链耦合的好处（例如，民主、激励和不变性）。然而，vanilla BFL的一个问题是它的功能不能以动态的方式满足采用者的需求。此外，vanilla BFL依赖于无法验证的客户端自我报告的贡献，如数据大小，因为出于隐私考虑，FL不允许检查客户端的原始数据。我们设计和评估了一个新的BFL框架，并解决了在香草BFL更大的灵活性和激励机制称为FAIR-BFL识别的挑战。与现有的作品相比，FAIR-BFL通过模块化设计提供了前所未有的灵活性，允许采用者以动态的方式根据业务需求调整其功能。我们的设计考虑了BFL量化每个客户对全球学习过程的贡献的能力。这种量化为在联合客户端之间分配奖励提供了一个合理的度量，并有助于发现可能毒害全局模型的恶意参与者。
2022-06-26 cs.AI cs.DC
Depermissioning Web3: a Permissionless Accountable RPC Protocol for Blockchain Networks
针对区块链 RPC 访问被中心化节点提供商许可化的问题，本文提出 PARP，结合轻客户端验证、欺诈证明与支付通道，实现无需许可、隐私假名且双方可问责的数据服务。
2025-06-06 cs.CR cs.DC
Delay and Communication Tradeoffs for Blockchain Systems with Lightweight IoT Clients
新兴的区块链协议提供了一种适合支持物联网（IoT）交互的去中心化架构。然而，对于低功耗和内存受限的设备来说，保留区块链账本的本地副本是不可行的。出于这个原因，它们配备了轻量级软件实现，这些软件实现仅在更新时从区块链网络下载有用的数据结构，例如账户状态。在本文中，我们考虑并分析了一种由区块链网络的节点实现的新方案，该方案在定期更新中聚合区块链数据，并进一步降低了连接的物联网设备的通信成本。我们表明，聚合周期应选择的基础上的信道质量，提供的速率，和有用的数据结构的更新的统计。针对以太坊协议获得的结果说明了聚合方案在降低设备占空比方面的益处，特别是对于低信噪比，以及在下行链路中传输的信息量的总体减少（例如，从无线基站到IoT设备）。该方案的一个潜在应用是让物联网设备请求比实际需要更多的信息，从而提高其隐私性，同时保持通信成本不变。总之，我们的工作是第一个为设计具有无线连接的轻量级区块链协议提供严格指导的工作。
2018-10-17 cs.DC cs.NI
Privacy-Preserving Transactive Energy Management for IoT-aided Smart Homes via Blockchain
随着智能电网的蓬勃发展，无处不在的智能电表构成了能源物联网。本文为物联网辅助智能家居开发了一种新型的基于区块链的交互式能源管理系统。我们考虑了智能家居参与交互式能源的一整套选择。智能家居可以与电网交互以执行垂直事务，例如，将额外的太阳能馈送到电网，并提供需求响应服务以减轻电网负荷。智能家居还可以与对等用户交互以执行水平事务，例如，点对点能源交易然而，传统的交互式能量管理方法存在效率低、隐私泄露和单点失效的缺点。为了应对这些挑战，我们开发了一种保护隐私的分布式算法，使用户能够通过区块链上的智能合约并行地优化管理他们的能源使用。此外，我们还为物联网设备设计了一个高效的区块链系统，并开发了智能合约来支持整体的交易能源管理系统。最后，我们通过大量的模拟和实验来评估基于区块链的交互式能源管理系统的可行性和性能。结果表明，基于区块链的交互式能源管理系统在实际物联网设备上是可行的，并将整体成本降低了25%。
2021-03-10 cs.CR cs.DC cs.SY
GAS: Generative Activation-Aided Asynchronous Split Federated Learning
School of Electronic and Information Engineering, South China University of Technology（华南理工大学电子与信息学院）
针对异步分割联邦学习中激活异步传输导致的模型更新偏差问题，提出生成式激活辅助的异步SFL（GAS），通过生成激活来校正更新，并推导更紧的收敛界，实验验证有效性。
2024-12-14 cs.DC cs.LG
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
Mosaic: Client-driven Account Allocation Framework in Sharded Blockchains
针对分片区块链中矿工驱动账户分配的高开销问题，提出客户端驱动框架Mosaic及参考算法Pilot，客户端自主分配分片并按需迁移，在以太坊数据集上实现计算效率提升四个数量级，仅以5%跨分片比率增加换98%系统吞吐量保留。
2025-04-15 cs.DB cs.DC cs.GT
A Tendermint Light Client
在Tendermint区块链中，权益证明机制和底层的共识算法需要一个动态故障模型，这意味着活跃的验证者（对区块进行签名的节点）可能会随着时间的推移而变化，并且这些验证者的法定人数被假设为仅在有限的时间段内（称为信任期）是正确的。验证器集的更改受区块链应用程序的控制，并在每个区块中提交。为了检查区块链应用程序在某个高度h处的状态，需要知道在该高度处设置的验证器，以便可以验证相应的数字签名和散列。确定高度为h的验证器集的简单方法需要：（i）下载h之前的所有块，（ii）通过检查数字签名和散列来验证块，以及（iii）执行相应的事务，以便再现验证器集中的更改。这可能非常缓慢，并且计算和数据密集。在本文中，我们形式化了Tendermint施加的动态故障模型，并描述了一种轻客户端协议，该协议允许检查区块链应用程序的状态，在实际设置中，该协议显着减少了需要下载的数据量，以及所需的计算昂贵的签名验证操作的数量。除了数学证明之外，我们还在TLA+中形式化了轻客户端协议，并使用APALACHE模型检查器检查了安全性和活性。
2020-10-15 cs.DC cs.LO
Service Discovery for Hyperledger Fabric
Hyperledger Fabric（HLF）是一个模块化和可扩展的许可区块链平台，由Linux基金会开源并托管。该平台的设计展示了企业级业务应用程序所需的原则，如供应链，金融交易，资产管理，食品安全等。为此，HLF引入了几项创新，其中两项是通用语言的智能合约（HLF中的\emph{chaincode}）和灵活的背书策略，这些策略控制交易是否被视为有效。典型的区块链应用程序由两层组成：第一层侧重于数据模式的建模，并通过智能合约（\emph{chaincode}）和背书策略将业务规则嵌入区块链;第二层使用HLF提供的SDK（软件开发工具包）来实现客户端应用程序逻辑。然而，这两层之间存在差距，阻碍了客户端SDK中链码和背书策略的快速采用。目前，链码位置和背书策略静态配置到客户端SDK中。这限制了客户端在平台发生变化时的可靠性和可用性，并使平台更难以使用。在这项工作中，我们通过描述\emph{Service Discovery}的设计和实现来解决和弥合这一差距。\emph{Service Discovery}提供了API接口，可以动态发现客户端SDK与平台交互所需的配置，减轻客户端的维护负担，使客户端能够快速适应平台的变化，从而显著提高应用层的可靠性。它还使HLF平台更具可消费性，简化了创建区块链应用程序的工作。
2018-05-05 cs.DC cs.SE
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
Online-Score-Aided Federated Learning for Resource-Constrained Wireless Clients with Continual Data Arrival
Utah State University（犹他州立大学）；University of Southern California（南加州大学）
针对资源受限且有持续数据到达的无线客户端，提出在线分数辅助联邦学习算法OSAFL，理论分析持续数据等因素对收敛边界的影响及应对方法，通过多数据集和模型的模拟验证了该算法比现有基线更有效。
2026-07-21 cs.DC cs.LG cs.NI
Federated Learning in Non-IID Settings Aided by Differentially Private Synthetic Data
针对联邦学习 Non-IID 数据导致全局模型性能下降的问题，提出 FedDPMS，利用可信服务器共享的差分隐私潜在表示均值生成合成数据以增强本地训练，并在图像分类中优于同类先进方法。
2023-04-20 cs.CR cs.DC cs.LG
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
IoT Monitoring with Blockchain: Generating Smart Contracts from Service Level Agreements
针对物联网服务监控中SLA违规证据易被篡改的信任问题，本研究开发了一个Java库，能根据给定SLA自动生成智能合约，结合区块链技术实现无可辩驳的违规监控，并在远程患者监控模拟场景中达到100%的捕获成功率。
2024-08-23 cs.CR cs.DC cs.ET
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
DCFL: Non-IID awareness Data Condensation aided Federated Learning
Jilin University（吉林大学）
提出DCFL，利用CKA分组客户端并采用非独立同分布感知的数据浓缩方法，通过共享组内浓缩数据、结合选择与增强策略，在保持隐私的同时有效缓解联邦学习中的非独立同分布问题，并在多个基准上取得竞争性能。
2023-12-21 cs.AI cs.CR cs.DC
DFPL: Decentralized Federated Prototype Learning Across Heterogeneous Data Distributions
针对去中心化联邦学习因数据异构性性能下降的问题，提出嵌入区块链的DFPL框架，引入原型学习缓解异构性、减少通信参数，经理论收敛分析和四数据集实验验证，其在模型性能与通信效率上更优。
2025-10-02 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
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
HierSFL: Local Differential Privacy-aided Split Federated Learning in Mobile Edge Computing
Deakin University（迪肯大学）；University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校）；VinUniversity；Royal Melbourne Institute of Technology University（皇家墨尔本理工大学）
本文提出HierSFL算法，通过边缘与云分层聚合和本地差分隐私机制，在保护隐私的同时降低移动边缘计算中分割联邦学习的训练时间与通信开销，并在CIFAR-10和MNIST上验证了其优于标准联邦学习的性能。
2024-01-16 cs.CR cs.CV 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
Implicit Model Specialization through DAG-based Decentralized Federated Learning
Hasso Plattner Institute（哈索·普拉特纳研究所）；University of Potsdam（波茨坦大学）；Charité – Universitätsmedizin Berlin（夏里特医学院）
联邦学习允许一组分布式客户端在私有数据上训练公共机器学习模型。模型更新的交换由中央实体或分散的方式（例如区块链）管理。然而，所有客户端的强泛化使得这些方法不适合非独立和同分布（非IID）数据。我们提出了一个统一的方法，分散和个性化的联邦学习，是基于有向无环图（DAG）的模型更新。客户端不是训练单个全局模型，而是专注于其本地数据，同时根据其各自数据的相似性使用来自其他客户端的模型更新。这种专门化隐含地出现在基于DAG的通信和模型更新的选择中。因此，我们实现了专门模型的发展，这些模型专注于数据的一个子集，因此比集中式或基于区块链的设置中的联邦学习更好地覆盖非IID数据。据我们所知，所提出的解决方案是第一个在完全分散的联邦学习中将个性化和中毒鲁棒性结合起来的解决方案。我们的评估表明，模型的专业化直接来自三个不同数据集上基于DAG的模型更新通信。此外，与联邦平均相比，我们显示了稳定的模型准确性和更小的客户端方差。
2021-11-03 cs.DC cs.LG
A Proof of Useful Work for Artificial Intelligence on the Blockchain
Up and Running Software（Up and Running软件公司）；Oben（奥本公司）
比特币挖矿是一个浪费和资源密集型的过程。为了在区块链上增加一个交易块，矿工们花费了相当多的精力。比特币协议名为“工作量证明”（PoW），类似于彩票，否则底层的计算工作就没有用了。在本文中，我们描述了一种基于在区块链上训练机器学习模型的新型“有用功证明”（PoUW）协议。矿工在进行诚实的ML培训工作后有机会创造新的硬币。客户提交任务并支付所有培训贡献者。这是参与网络的额外激励，因为该系统不仅仅依赖于彩票程序。使用我们的共识协议，感兴趣的各方可以在分布式环境中订购，完成和验证有用的工作。我们概述了奖励有用的工作和惩罚恶意行为者的机制。我们的目标是利用区块链的安全性构建更好的AI系统。
2020-01-25 cs.DC cs.LG
FAFO: Over 1 million TPS on a single node running EVM while still Merkleizing every block
FAFO 是首个通过在区块形成前重排交易以最大化并发的区块链交易调度器，结合 REVM 在单节点上实现超 110 万 TPS，且保持每区块 Merkle 化，为 ZK vApps 提供支持。
2025-07-14 cs.DC cs.NI
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
Better Safe than Sorry: Recovering after Adversarial Majority
针对对抗性多数攻击下区块链难同时保障休眠客户端安全性与活性的问题，提出可应用于带证书协议的恢复组件，在同步网络中维持攻击期安全性、诚实多数恢复后重拾活性。
2023-11-03 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
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
AQUAREUM: Non-Equivocating Censorship-Evident Centralized Ledger with EVM-Based Verifiable Execution using Trusted Computing and Blockchain
AQUAREUM通过结合可信计算和区块链，提供了一种非矛盾、具有审查证据的高性能集中式账本解决方案。
2026-01-05 cs.CR cs.DC
zkFL-Health: Blockchain-Enabled Zero-Knowledge Federated Learning for Medical AI Privacy
School of Arts And Technology（艺术与技术学院）；George Brown Polytechnic（乔治布朗理工学院）
zkFL-Health通过结合联邦学习、零知识证明和可信执行环境，实现医疗AI的隐私保护和可验证协作训练。
2025-12-24 cs.CR cs.DC cs.LG
Executable Models and Instance Tracking for Decentralized Applications on Blockchains and Cloud Platforms -- Metamodel and Implementation
本文扩展了一种区块链与云平台上的执行与实例追踪方法，提出独立于具体实现的元模型、多维数据模型及基于Ethereum和AWS的实现，使分布式参与方能多维度可验证地追踪和分析执行状态。
2023-07-28 cs.DC cs.NI
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
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
FedToken: Tokenized Incentives for Data Contribution in Federated Learning
Aalborg University（奥尔堡大学）；CSIRO Data61（澳大利亚联邦科学与工业研究组织数据61所）
补偿联邦学习（FL）模式分散培训所涉成本的激励措施是客户长期参与的关键激励措施。然而，说服客户参与FL的质量是具有挑战性的，因为缺乏：（i）关于客户数据质量和属性的完整信息;（ii）客户数据贡献的价值;以及（iii）值得信赖的货币激励机制。这往往导致培训和沟通效率低下。虽然有几项工作侧重于战略激励设计和客户选择，以克服这一问题，有一个重大的知识差距方面的整体设计，适合预见的数字经济，包括Web 3.0，同时满足学习目标。为了解决这一差距，我们提出了一个基于贡献的令牌化激励计划，即\texttt{FedToken}，由区块链技术支持，确保令牌在客户端之间的公平分配，与模型训练期间对其数据的估值相对应。利用基于Shapley的设计方案，我们首先在模型聚合过程中近似本地模型的贡献，然后策略性地安排客户端降低通信轮次，以实现收敛和锚定方式，从而在受限的货币预算下分配\emph{affordable}令牌。大量的模拟实验证明了我们所提出的方法的有效性。
2022-11-03 cs.DC cs.GT cs.LG
