基于区块链的安全联邦学习系统的结构和应用

联邦学习 (FL) 是一种很有前途的范例，可以在不暴露其私有数据的情况下在异构客户端上实现分布式机器学习。 然而，FL 存在单点故障的风险，因为它依赖于中央服务器从客户端收集模型更新，此外，某些客户端的恶意行为可能导致低质量甚至中毒的全局模型。 区块链作为一种革命性的分布式账本技术可以缓解上述问题，显着增强 FL 系统的安全性和可扩展性。 因此，本文提出了基于区块链的联邦学习（BFL）系统的总体框架，并详细描述了其关键技术和操作步骤。 然后，我们审查和比较最近的代表性 BFL 应用程序。

我们展望了未来 BFL 系统在安全性、成本和可扩展性方面的一些关键挑战和机遇。 最后，我们在具有恶意设备的物联网场景中提出了 PoS-BFL。 PoS-BFL中的验证者投票机制和角色切换机制保证了合法节点的权益，有效降低了恶意节点对系统模型准确性的影响。 并且通过实验证明，PoS-BFL 可以达到 86% 的准确率，远高于 vanilla FL 和 pFedMe，PoS-BFL 通过调整工人、验证者和矿工的比例在一定程度上具有鲁棒性。