| 基于贡献度证明共识机制的去中心化联邦学习框架 |
| |
| 作者姓名： | 乔少杰 林羽丰 韩楠 杨国平 李贺 袁冠 毛睿 元昌安 Louis Alberto GUTIERREZ |
| |
| 作者单位： | 成都信息工程大学 软件工程学院, 四川 成都 610225;成都信息工程大学 管理学院, 四川 成都 610225;西安电子科技大学 计算机科学与技术学院, 陕西 西安 710071;矿山数字化教育部工程研究中心(中国矿业大学), 江苏 徐州 221116;深圳大学 计算机与软件学院, 广东 深圳 518060;广西人机交互与智能决策重点实验室(广西科学院), 广西 南宁 530100;Department of Computer Science, Rensselaer Polytechnic Institute, New York, USA |
| |
| 基金项目： | 国家自然科学基金项目(61772091,61802035,61962006);四川省科技计划项目(2021JDJQ0021,2022YFG0186,2021YZD0009,2021ZYD0033);成都市技术创新研发项目(2021-YF05-00491-SN,2021-YF05-02414-GX,2021-YF05-02413-GX,2021-YF05-02420-GX,2021-YF05-02424-GX);成都市重大科技创新项目(2021-YF08-00156-GX,2021-YF08-00159-GX);成都市"揭榜挂帅"科技项目(2021-JB00-00025-GX)资助 |
| |
| 摘 要： | 在大数据背景下,保证数据可信共享是数据联邦的基本要求.区块链技术代替传统的主从架构,可以提高联邦学习(federated learning,FL)的安全性.然而,现有工作中,模型参数验证与数据持久化所产生的巨大通信成本和存储消耗,已经成为数据联邦中亟待解决的问题.针对上述问题,设计了一种高效的去中心化联邦学习框架(efficient decentralized federated learning framework, EDFL),能够降低存储开销,并显著提升FL的学习效率.首先,提出了一种基于贡献度证明(proof-of-contribution)的共识机制,使得区块生成者的选举基于历史贡献度而不采用竞争机制,从而有效发避免了挖矿过程产生的区块生成延迟,并以异步方式缓解模型参数验证中的阻塞问题;其次,提出了一种角色自适应激励算法,因为该算法基于节点的工作强度和EDFL所分配的角色,所以能够激励合法节点更积极地进行模型训练,并有效地识别出恶意节点;再者,提出一种区块链分区存储策略,使得多重局部修复编码块(local reconstruction code)可被均匀地分布到网络的各个节点...
|
| 关 键 词： | 数据联邦 区块链 大数据安全管理 共识机制 存储策略 |
| 收稿时间： | 2022-05-14 |
| 修稿时间： | 2022-07-29 |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《软件学报》浏览原始摘要信息 |
|
点击此处可从《软件学报》下载全文 |
|
