[发明专利]一种基于区块链与联邦学习的双重防御方法

说明书

本发明公开了一种基于区块链与联邦学习的双重防御方法，包括步骤：S1，判断联邦学习过程是否达到了迭代次数或模型精确度达到设定阈值，如是，则退出该学习过程；否则，将任务信息存储；S2，训练者接收任务区块；S3，训练者使用本地数据训练本地模型；S4，训练者完成训练后将本地模型参数发送给验证者；S5，验证者接收本地模型参数，并通过共识委员会机制验证这些参数；S6，验证者将通过验证的本地模型参数打包上链；S7，任务发布者采用聚合方法形成全局模型参数；S8，根据验证者的本地模型精确度，更新共识委员会以验证下一轮模型，随后回到步骤S1。本发明使恶意节点无法对特定的聚合方法进行针对性的攻击，抵御中毒攻击。

技术领域

本发明涉及物联网领域，尤其涉及一种基于区块链与联邦学习的双重防御方法。

背景技术

人工智能在各行业的发展日益迅速，但应用环境也变得越来越复杂，潜在风险也越来越大。因此，提高人工智能的可信性至关重要。数据是人工智能的基础，数据的质量在很大程度上决定了人工智能的质量。然而，在传统的分布式机器学习中，数据存在很大的安全隐患，例如数据泄露、数据篡改、数据污染等。这些问题可能会导致严重后果，例如，在自动驾驶中，如果训练数据被恶意修改，即使失真很小，也可能导致严重的交通事故。

为解决这些问题，一种新型的分布式机器学习框架——联邦学习（FederatedLearning）应运而生。联邦学习允许多个参与者在本地设备上训练共享的模型，而无需直接交换数据就可以保护数据隐私并降低通信开销，提高模型效率和泛化能力。然而，联邦学习也面临着一些安全挑战，如中毒攻击（Poisoning Attacks）破坏全局模型的性能。

为了防止这些攻击，并提高联邦学习系统的安全可信性，一种可行的解决方案是利用区块链（Blockchain）技术。区块链是一种新型分布式计算技术，可以实现去中心化、不可篡改、可追溯、共识机制等特性。该技术可以为联邦学习提供一个安全可信的数据存储环境，记录和验证每个参与者的行为和贡献，并可以通过激励机制鼓励诚实合作。区块链还可以用来对节点进行验证来确保节点可信性，并通过计算信任值并在区块链上发布来维持节点之间的相互信任。此外，区块链还可以基于“链下样本挖掘”和“链上挖掘”方案来保护系统免受拜占庭攻击。Li等人（Li Y, Chen C, Liu N, et al. A blockchain-baseddecentralized federated learning framework with committee consensus[J]. IEEENetwork, 2020, 35(1): 234-241）和Karimireddy等人（Peng J, Li W, Ling Q.Byzantine-robust decentralized stochastic optimization over static and time-varying networks[J]. Signal Processing, 2021, 183: 108020提出共识委员会和鲁棒性聚合方法来抵御中毒攻击，但是仍存在通信延迟长和易受到针对聚合方法对模型聚合的攻击问题，迫切需要研究新的方法来减少中毒攻击。