【三期操志强】CCF-A(CCS'19)Poster: A Reliable and Accountable Privacy-Preserving Federated Learning Framework using the Blockchain.

Awan, Sana , et al. "Poster: A Reliable and Accountable Privacy-Preserving Federated Learning Framework using the Blockchain." the 2019 ACM SIGSAC Conference ACM, 2019.——CCF-A(CCS）

  联邦学习(FL)最早由Google提出，旨在促进大规模协作学习。由于这种方法每个客户利用本地数据训练本地模型，再上传模型参数到聚合器，从而保护了客户的本地数据隐私，降低了通信成本和计算成本。但联邦学习的模型梯度存在泄露局部数据信息的可能，而后，为了解决这个问题，又利用秘密共享方案和差分隐私技术提出了几种针对FL的安全聚合算法。但这些方法都假设了一个松散的客户端联邦，因此易受到客户随机掉线的影响。对此，又提出了(k,n)秘密共享方案，但这些方案假设过强且奖励机制扁平化。
  本文，针对上述问题，提出了一种基于区块链的联邦学习框架。此框架中，采用联合平均模型，引入区块链结构以解决客户随意掉线和恶意客户的存在，利用矿工的奖励机制以改善模型更新效率，利用Paillier密码系统的变体以完成同态加密，利用代理重签名以保护梯度聚合。
  本文中虽然提出了框架，但框架并未说明清楚，且相关图片与论文描述有些出入。再者，本文奖励机制是针对矿工工作量，而与客户对模型的贡献关系不大，应研究基于客户端贡献的奖励机制。

2020年10月12日