基于区块链的隐私保护联邦学习方法及应用研究.pdfVIP

目录

摘要I

ABSTRACTII

第一章绪论1

1.1研究背景和意义1

1.2国内外研究现状3

1.2.1传统联邦学习4

1.2.2隐私保护联邦学习4

1.2.3基于区块链的联邦学习6

1.3本文的研究内容6

1.4本文组织结构7

第二章预备知识9

2.1联邦学习9

2.2区块链10

2.3安全多方计算11

第三章基于区块链的隐私保护联邦学习方案13

3.1设计目标13

3.2系统模型14

3.3安全需求15

3.4方案设计17

3.4.13+2动态分组17

3.4.2激励机制19

3.4.3安全加协议21

3.4.4HyperledgerFabric区块链23

总体方案24

3.5方案分析25

3.5.1正确性分析25

3.5.2安全性分析26

3.5.3功能分析27

3.6本章小结28

第四章基于区块链的隐私保护联邦学习方案的实现29

4.1系统总体设计29

4.2系统模块详细设计30

4.2.1用户注册登录模块30

4.2.2用户查询和训练数据提交模块31

4.2.3数据安全上传模块32

4.2.4区块链模块32

4.3系统开发环境33

4.4系统的实现35

4.4.1系统主要模块实现35

4.4.2系统界面开发37

4.4.3系统结构38

4.5性能分析39

4.5.1动态分组开销40

4.5.2安全加法协议开销41

4.5.3区块链开销42

4.6本章小结43

第五章总结和展望45

参考文献46

攻读硕士学位期间的主要科研成果51

攻读硕士学位期间参与科研项目情况52

致谢53

摘要

机器学习在各大领域取得显著成就，前景广阔，发展势头迅猛。然而，机器学习面

临一个严峻问题——数据的安全性。用户数据包含大量真实且敏感的个人信息，隐私泄

露不仅会导致用户遭受骚扰，还会导致用户的生命和财产受到威胁。因此，用户越来越

不愿意将其本地原始数据共享。基于此，如何在机器学习中，保证用户隐私数据的安全

性成为了当下机器学习发展的重要方向。

为保障数据隐私的安全，联邦学习应运而生。通过分布式机器学习方式实现对分散

数据的高效训练，同时保护用户数据隐私。然而，传统联邦学习系统存在单点故障和信

任问题，面临潜在攻击风险，同时难以满足更高的安全要求。在这一背景下，区块链作

为去中心化、可追踪、防篡改的分布式账本为联邦学习提供新的解决方案。其记录着每

个全局模型的更新过程，验证并跟踪本地更新，还拥有公平的激励机制。本文基于上述

思想，为解决联邦学习中的数据安全问题提出一种基于区块链的联邦学习框架。具体研

究内容如下：

1）本文提出了一种基于区块链的隐私保护联邦学习框架，该框架采用动态分组的方

法增强数据隐私。通过将Fabric区块链技术与联邦学习集成，使用本文提出的动态分组技

术，有效地解决了联邦学习中普遍存在的数据隐私问题。此外，本文提出的解决方案确

保用户在获取训练有素的机器学习模型时，无需将个人数据分享给任何其他的用户或实

体，极大程度地保护了用户原始数据的安全。通过安全性分析，展示了本方案在有效应

对联邦学习固有的隐私和