基于区块链声誉管理的安全公平的联邦学习

摘要

联邦学习（Federated Learning, FL）作为一种安全的分布式学习框架，可以有效保护参与者的数据隐私，引起了物联网领域的广泛兴趣。然而，传统的FL架构在某种程度上是集中式的，需要一个中央服务器来负责模型的更新和聚合。这种集中式结构容易受到单点攻击，可能导致整个FL系统瘫痪，同时也易受到搭便车者的攻击，从而影响公平性和安全性。为了解决这些问题，提出了一个与传统的集中式管理结构不同的完全分布式结构。通过一个具有不可否认和抗篡改特性的联盟区块链来分散管理来自客户端的本地模型。此外，还在区块链中引入了对于客户端的声誉评估以防范搭便车者的攻击，并根据不同的声誉值给予诚实参与者不同的奖励。实验表明：该方法可以实现较高的公平性，并且可以有效地识别和排除搭便车者。

关键词

联邦学习 / 搭便车攻击 / 区块链 / 声誉评估