基于差分隐私的去中心化联邦学习协议研究.pdfVIP

摘要

联邦学习是一种安全的多方机器学习技术，旨在解决构建联合学习模型时的

数据孤岛问题，同时保护数据隐私。自诞生以来，大多数的平台和框架都基于集

中式联邦学习。这种星形拓扑结构存在通信瓶颈、单点故障以及对中央服务器的

依赖等限制。许多学者提出将区块链作为联邦学习的使能技术，从而实现去中心

化模型聚合并最大限度地减少对中央实体的依赖。尽管取得了这些进步，当前去

中心化联邦学习方案仍面临一些关键问题。首先，恶意节点可以加入精心设计的

不准确或有偏差的本地模型以毒化全局模型。此外，诚实但好奇的节点仍然可以

通过模型推断节点的隐私。为了解决上述问题，本文的具体工作如下：

本文提出了一种支持节点匿名认证和隐私保护的去中心化联邦学习协议。具

体来说，该协议通过将区块链与智能合约相结合，在没有中央服务器的情况下实

现了可追溯的模型训练，并使用差分隐私来解决隐私泄露问题。此外，该协议还

设计了一种共识机制——准确性证明（ProofofAccuracy，PoA），它可以有效减

少共识过程的计算开销，并减轻低质量模型的负面影响。为了实现节点的安全认

证，协议结合了分布式密钥生成和环签名，确保只有合法实体才能参与训练，且

不引入任何不可信的第三方。最后，本研究在真实数据集上评估了方案的安全性、

准确性和性能。结果表明，所提出的方案与其他解决方案相比，具有显著的性能

优势。

本文提出了一种支持节点动态调度的高效的去中心化联邦学习协议。具体来

说，该协议基于双权重动态评估方法设计了一种节点调度策略，能够优先安排贡

献度更高的节点参与训练，从而加速模型收敛，并支持节点的实时加入和离开。

此外，考虑到模型的机密性和异构性，该协议设计了一种具有自适应噪声的差分

隐私机制。通过在本地模型中引入随模型参数值变化的噪声，实现模型效用与隐

私保护之间的平衡。协议在分析部分给出了详细的安全性证明，并在CIFAR10和

MNIST数据集中对比了本方案与其他方案的分类准确性。结果表明，本方案能够

有效地减轻噪声对联邦学习性能的影响。

最后，本研究设计并实现基于去中心化联邦学习的胸部疾病分类系统，用户

可与不同的训练服务器建立连接。系统会展示当前的模型效果，并支持用户对上

传的胸部X射线图像进行疾病分类。

关键词：去中心化联邦学习，差分隐私，匿名认证，动态调度

ABSTRACT

Federatedlearningisasecuremulti-partymachinelearningtechniquedesignedto

addressdatasiloswhenbuildingfederatedlearningmodelswhileprotectingdataprivacy.

Sinceitsinception,mostplatformsandframeworkshavebeenbasedoncentralized

federatedlearning.Thisstartopologysuffersfromlimitationssuchascommunication

bottlenecks,singlepointsoffailure,anddependenceonacentralizedserver.Many

scholarshaveproposedblockchainasanenablingtechnologyforfederatedlearning,thus

enablingdecentralizedmodelaggregationandminimizingdependenceoncentralentities.

Despitetheseadvances,currentdecentralizedfederatedlearningschemesstillfacesome

keyissues.First,maliciousnodescanjoinelaborateinaccurateorbiasedlocalmodelsto

poisontheglobalmodel.Inaddition,honestbutcurious