计算机应用研究

作者：罗福林,陈云芳,陈序,张伟,

单位：南京邮电大学计算机学院,南京210023；

关键词：区块链,联邦学习,去中心化,模型聚合,

传统的中心化联邦学习需要一个受信赖的中央服务器负责模型聚合，容易产生单点故障。现有的去中心化联邦学习方案通常在每个迭代周期临时选举出一个节点负责模型的聚合，但不能保证被选节点的完全可信。为了解决上述问题，提出一种基于区块链的联邦学习模型聚合方案，把模型聚合工作交由众多矿工而非某个单一节点负责，矿工提出不同的候选聚合方案并生成相应区块，然后根据设计的准确率最高链原则确定主链，以达成节点之间的共识；同时，为了抑制恶意训练节点，提出基于质押“训练币”的训练节点选择方案，节点通过质押“训练币”获取参与训练的机会，系统根据模型贡献进行奖惩。仿真实验结果表明，当系统中恶意节点比例分别为10%、20%、30%时，该方案所能达到的准确率比联邦平均（FedAvg）方案分别高8.64、19.89、22.93百分点，且在non-IID数据训练场景下也有良好的表现。综上所述，该方案提高了联邦学习聚合过程的可信度，并能同时保证联邦学习训练效果。

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