基于区块链和联邦学习的边缘计算隐私保护方法

• 全文链接
• 请求原文

作   者：

方晨;  郭渊博;  王一丰;  胡永进;  马佳利;  张晗;  胡阳阳; 

作者机构：

信息工程大学密码工程学院;  郑州大学网络空间安全学院;  加利福尼亚大学河滨分校; 

关键词：

区块链;  边缘计算;  联邦学习;  隐私保护;  中毒攻击; 

期刊名称：

通信学报

基金项目：

随机映射框架下的图像语义分析与提取技术研究
基于格的认证密钥交换协议研究

i s s n：

1000-436X

年卷期：

2021 年 011 期

页   码：

28-40

摘   要：

针对边缘计算的数据隐私性、计算结果正确性和数据处理过程可审计性等需求,提出了一种基于区块链和联邦学习的边缘计算隐私保护方法,不需要可信环境和特殊硬件设施即可在网络边缘处联合多设备实现安全可靠的协同训练。利用区块链赋予边缘计算防篡改和抗单点故障攻击等特性,并在共识协议中融入梯度验证和激励机制,鼓励更多的本地设备诚实地向联邦学习贡献算力和数据。对于联邦学习共享模型参数导致的潜在隐私泄露问题,设计自适应差分隐私机制保护参数隐私的同时减小噪声对模型准确性的影响,并通过时刻统计精确追踪训练过程中的隐私损失。实验结果表明,所提方法能够抵抗30%的中毒攻击,并且能以较高的模型准确率实现隐私保护,适用于对安全性和准确性要求较高的边缘计算场景。