Apr, 2023

基于区块链的互联物联网可信执行环境下的安全聚合联邦学习

PDF
TL;DR本文提出了一种基于区块链、Intel SGX 可信执行环境和联邦学习的框架，以安全地聚合工业物联网中的本地模型。框架中的区块链网络用于安全地聚合全局模型，并将其添加到分布式账本中以实现防篡改存储。经过多个不同的卷积神经网络模型和数据集的实验验证，该框架效果显著。
发现论文，激发创造
  • 面向物联网的协作机器学习的区块链解决方案

    本文提出了一种将增量学习矢量量化算法（XuILVQ）与以太坊区块链技术结合，以促进分布式环境中的安全高效数据共享、模型训练和原型存储的新型物联网解决方案。通过一系列实验评估我们的系统性能，展示了其在物联网环境中提高机器学习任务准确性和效率的潜力。

    Nov, 2023

  • 5G 网络安全联邦学习框架

    本文提出了一种基于区块链的安全联邦学习框架，通过构建智能合约，自动执行防御策略，识别恶意攻击参与者，同时采用本地差分私有化技术，有效地防止中毒和成员推断攻击。

    May, 2020

  • 区块链联邦学习在物联网中的应用：一项综合调查

    本文全面评估了基于区块链和联邦学习的 Blockchained Federated Learning (BlockFL)，并在四个物联网应用场景中比较了现有 BlockFL 模型的安全性、隐私性、可靠性、效率和数据异构性等特征，结果表明去中心化和透明度使 BlockFL 成为分布式模型训练的安全有效解决方案，但其额外成本和兼容性仍需要进一步研究。

    May, 2023

  • 区块链实现安全、可靠的联邦学习

    提出了一个针对联邦学习的安全可信的区块链框架（SRB-FL），以应对由于不可靠参与设备、大量训练模型和匿名性等方面导致的挑战，建立一个基于区块链分片的安全联邦学习，确保数据可靠性、可扩展性和可信度，并引入一种激励机制提高 FL 设备的可靠性。实验表明，SRB-FL 框架高效可扩展，是实现联邦学习的一种可行解决方案。

    Jan, 2022

  • 当联邦学习遇见区块链：一种新的分布式学习范式

    本文研究了基于区块链的去中心化联邦学习框架，该框架能够防止恶意客户端破坏学习过程，提供自我激励和可靠的学习环境，并将模型聚合过程完全分散化，同时解决了独特的技术问题，并提供了实验结果。

    Sep, 2020

  • 用于保护联合学习管理系统的智能政策控制

    本文提出了一个基于智能合约的政策控制方法来保障联邦学习管理系统的安全，该方法的目的是管理机器学习模型的访问和验证其完整性，保证参与联邦学习的各方在训练和评估过程中遵循相同的规则。实验证明，该方法是可行的且有效的。

    May, 2023

  • 区块链在联邦学习中防御恶意行为的应用

    提出一种基于区块链和分布式账本技术的安全可靠的联邦学习系统，该系统结合了点对点投票机制和激励 - 惩罚机制来检测和防止恶意行为，理论分析和实证分析表明，该框架抵御了客户端恶意行为。

    Jul, 2023

  • 区块链上的设备联邦学习

    本文提出了一种基于区块链技术的联邦学习 (BlockFL) 结构，通过交换和验证本地学习模型更新，实现了在设备上进行机器学习，并利用区块链中的共识机制，无需集中式培训数据或协调。此外，通过考虑通信、计算和共识延迟，分析了 BlockFL 的端到端延迟模型并表征了最佳块生成率。

    Aug, 2018

  • VeryFL: 一种嵌入区块链的可验证联邦学习框架

    我们设计并开发了一个嵌入以太坊网络的基于区块链的联邦学习框架，该框架提出了一种 FL 与区块链结合的代码实践范例，并且与普通的 FL 训练任务兼容。此外，我们还提出了基于区块链的模型所有权认证架构和模型水印技术来保护模型的知识产权。这些机制在区块链上为联邦学习提供了可验证的训练、聚合和激励分配过程，并将此框架命名为 VeryFL（嵌入区块链的验证联邦学习框架）。

    Nov, 2023

  • 基于区块链的保护隐私的物联网设备联邦学习

    本论文设计了一个基于声誉机制的联邦学习系统，使用区块链和差分隐私等技术保护用户隐私和数据，帮助家电制造商训练机器学习模型以预测用户行为并改善产品和服务。

    Jun, 2019