计算机应用研究

作者：林峰斌,王灿,吴秋新,李涵,秦宇,龚钢军,

单位：1.北京信息科技大学理学院,北京100192；2.中国科学院软件研究所,北京100190；3.华北电力大学北京市能源电力信息安全工程技术研究中心,北京102206；

关键词：区块链,工业物联网,隐私保护,协作学习,联邦学习,分割学习,

基金：国家自然科学基金资助项目(61604014)；国家重点研发计划资助项目(2022YFB3105102)；未来区块链与隐私计算高精尖中心资助项目；；

为了在保护数据隐私的前提下，充分利用异构的工业物联网节点数据训练高精度模型，提出了一种基于区块链的隐私保护两阶段协作学习系统。首先，使用分组联邦学习框架，根据参与节点的算力将其划分为不同组，每组通过联邦学习训练一个适合其算力的全局模型；其次，引入分割学习，使节点能够与移动边缘计算服务器协作训练更大规模的模型，并采用差分隐私技术进一步保护数据隐私，将训练好的模型存储在区块链上，通过区块链的共识算法进一步防止恶意节点的攻击，保护模型安全；最后，为了结合多个异构全局模型的优点并进一步提高模型精度，使用每个全局模型的特征提取器从用户数据中提取特征，并将这些特征用作训练集训练更高精度的复杂模型。实验结果表明，该系统在Fashion-MNIST和CIFAR-10数据集上的性能优于传统联邦学习的性能，能够应用于工业物联网场景中以获得高精度模型。

来源：2024年第8期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2024年第8期