计算机应用

作者：陈廷伟, 张嘉诚, 王俊陆

单位：辽宁大学 信息学部，沈阳 110031

关键词：联邦学习,区块链,差分隐私,激励机制,异常检测

基金：国家重点研发计划项目(2021YFF0901004);辽宁省应用基础研究计划项目(2022JH2/101300250);数字辽宁智造强省专项资金（数字经济方向）资助项目(13031307053000568)

针对现有联邦学习模型中存在的本地设备模型梯度泄露、中心化服务器设备可随意退出、全局模型无法抵御恶意用户攻击等问题，提出面向联邦学习的随机验证区块链构建及隐私保护方法。首先，引入可验证哈希函数以随机选举区块链的领导节点，确保节点出块的公平性；其次，设计了验证节点的交叉检测机制防御恶意节点的攻击；最后，基于差分隐私技术训练区块链节点，根据节点对模型的贡献程度构建激励规则进行节点激励，提高联邦学习模型的训练准确率。实验结果表明，所提方法在20%恶意节点的情况下，对于恶意节点的投毒攻击能够达到80%的准确率，相较于Google FL提升了61个百分点，而所提方法在噪声方差为10-3时梯度匹配损失比Google FL提升了14个百分点。可见，相较于Google FL等联邦学习方法，所提方法在提升模型的安全性前提下能够保证良好的精确度，具有更好的安全性和鲁棒性。

来源：2024年第9期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第9期