计算机应用研究

作者：张蒙,古春生,张言,史培中,景征骏,

单位：江苏理工学院a.机械工程学院;b.计算机工程学院,江苏常州213001；

关键词：区块链,联邦学习,动态群签名,合谋攻击,自适应激励算法,

基金：国家自然科学基金资助项目(61672270,61602216)；；

基于区块链的联邦学习是由分布式的客户端协作开展模型训练的一种去中心化机器学习方案。然而，目前基于区块链的联邦学习缺乏对用户身份等敏感属性的保护，使得恶意训练者与验证者之间易于进行合谋攻击。针对该问题，提出基于动态群签名的区块链联邦学习隐私保护方案（DGS-BCFL），创新性地将动态群签名与区块链联邦学习相结合。首先使用动态群签名的匿名性为用户提供身份隐私保护，同时追溯恶意用户的匿名身份，对贡献度低的恶意用户进行撤销。其次，提出基于贡献度的自适应激励算法，根据节点工作强度和角色的不同对其进行激励，以保证激励的公平性。最后，在FEMNIST数据集上对DGS-BCFL进行了性能测试。实验结果表明，在面对恶意节点的合谋攻击时，DGS-BCFL抵御合谋攻击的成功率达89.36%，较VBFL增长了24.92%；此外，在模型精度方面，相比BDFL增长了26.13%。因此，该方案不仅能够保持BCFL的高鲁棒性，还在模型精度方面表现出了更优的性能。

来源：2025年第11期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第11期