FBChain: A Blockchain-based Federated Learning Model with Efficiency and Secure Communication

要約

フェデレーション ラーニングのパラメーター送信プロセスにおけるプライバシーとセキュリティは、現在最も顕著な懸念事項の 1 つです。
しかし、保護されていない通信方法によって引き起こされる 2 つの厄介な問題、それは「パラメータの漏洩」と「非効率な通信」です。
この記事では、上記の 2 つの問題を克服するために、フェデレーション ラーニング パラメーター通信のためのブロックチェーン ベースのフェデレーテッド ラーニング (FBChain) モデルを提案します。
まず、ブロックチェーンの不変性を利用して、通信プロセス中の改ざんに備えてグローバル モデルとローカル モデル パラメータのハッシュ値を保存し、パラメータを暗号化することでデータのプライバシーを保護し、ローカル パラメータのハッシュ値を比較することでデータの一貫性を検証します。
「パラメータ漏洩」問題に対処します。
2 番目に、Proof of Weighted Link Speed (PoWLS) コンセンサス アルゴリズムは、より高い重み付けリンク速度を持つノードを包括的に選択して、グローバル モデルとパッケージ ブロックを集約し、それによって「非効率な通信」問題を解決します。
実験結果は、私たちが提案した FBChain モデルの有効性と、フェデレーテッド ラーニングにおけるモデルの通信効率を向上させる機能を示しています。

要約(オリジナル)

Privacy and security in the parameter transmission process of federated learning are currently among the most prominent concerns. However, there are two thorny problems caused by unprotected communication methods: ‘parameter-leakage’ and ‘inefficient-communication’. This article proposes Blockchain-based Federated Learning (FBChain) model for federated learning parameter communication to overcome the above two problems. First, we utilize the immutability of blockchain to store the global model and hash value of local model parameters in case of tampering during the communication process, protect data privacy by encrypting parameters, and verify data consistency by comparing the hash values of local parameters, thus addressing the ‘parameter-leakage’ problem. Second, the Proof of Weighted Link Speed (PoWLS) consensus algorithm comprehensively selects nodes with the higher weighted link speed to aggregate global model and package blocks, thereby solving the ‘inefficient-communication’ problem. Experimental results demonstrate the effectiveness of our proposed FBChain model and its ability to improve model communication efficiency in federated learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google