边缘计算下基于区块链的隐私保护联邦学习算法 |
| |
引用本文: | 陈宛桢,张恩,秦磊勇,洪双喜.边缘计算下基于区块链的隐私保护联邦学习算法[J].计算机应用,2023(7):2209-2216. |
| |
作者姓名: | 陈宛桢 张恩 秦磊勇 洪双喜 |
| |
作者单位: | 1. 河南师范大学计算机与信息工程学院;2. 智慧商务与物联网技术河南省工程实验室(河南师范大学) |
| |
基金项目: | 国家自然科学基金资助项目(62002103,61901160);;河南省科技攻关计划项目(212102210388);;河南省软科学研究计划项目(212400410109)~~; |
| |
摘 要: | 针对在边缘计算(EC)场景下进行的联邦学习(FL)过程中存在的模型参数隐私泄露、不可信服务器可能返回错误的聚合结果以及参与训练的用户可能上传错误或低质量模型参数的问题,提出一种边缘计算下基于区块链的隐私保护联邦学习算法。在训练过程中,每个用户首先使用全局模型参数在其本地数据集上进行训练,并将训练得到的模型参数以秘密共享的方式上传至附近的边缘节点,从而实现对用户本地模型参数的保护;然后由边缘节点在本地计算它们所收到的模型参数的份额之间的欧氏距离,并将结果上传至区块链;最后由区块链负责对模型参数之间的欧氏距离进行重构,进而在去除有毒的更新后,再进行全局模型参数的聚合。通过安全分析证明了所提算法的安全性:即使在部分边缘节点合谋的情况下,用户的本地模型参数信息也不会泄露。同时实验结果表明该算法具有较高的准确率:在投毒样本比例为30%时,它的模型准确率为94.2%,接近没有投毒样本时的联邦平均(FedAvg)算法的模型准确率97.8%,而在投毒样本比例为30%时FedAvg算法的模型准确率下降至68.7%。
|
关 键 词: | 边缘计算 联邦学习 区块链 投毒攻击 隐私保护 |
|
|