摘要
在联邦学习作为隐私保护技术被广泛应用的同时,也产生了中心服务器不稳定和联邦学习服务器与参与方交互造成的隐私泄露等新的挑战及安全问题.提出了一种基于区块链和动态评估的隐私保护联邦学习模型,利用区块链解决中心服务器的问题,通过本地训练使用稀疏化、全局模型更新使用差分隐私解决联邦学习过程中的隐私泄露问题,本地训练完成后用数字签名和双重Hash对比验证参与方身份和训练模型的所属权.此外,使用多权重动态评估方法计算单轮模型和参与方评估值作为参与方贡献的依据.实验结果表明,提出的模型可以有效解决联邦学习中的单点故障和局部模型验证问题,与传统联邦学习相比,使用稀疏化和差分隐私可以在略微损失准确率的情况下保障模型的安全性,并有效地为参与方进行评估,从而保证了激励机制的公平性.
基金项目
河南省高等学校科技创新人才支持计划(21HASTIT031)
河南省重大公益专项(201300210300)
河南省科技攻关计划(212102310039)
河南省网络密码技术重点实验室研究课题(LNCT2022-A04)
NETL
NSTL
维普
万方数据