A Blockchain-based Federated Learning Scheme forData Sharing in Industrial Internet of Things文献学习笔记

最新推荐文章于 2025-07-25 22:55:58 发布
原创 最新推荐文章于 2025-07-25 22:55:58 发布 · 260 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#学习 #笔记

本文探讨了工业物联网中数据孤岛的问题，提出了结合区块链和联邦学习的解决方案，以解决数据安全共享难题。文章关注了隐私保护、模型聚合中的信任问题以及现有方案的局限性，展示了系统的框架并进行了实验分析。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

研究背景

随着工业物联网（IIoT）的规模不断扩大，边缘设备每天都将产生大量数据。然而，大多数IIoT数据以数据孤岛的形式存在，这使得跨域安全共享数据变得困难。为此，提出了一种基于区块链和联邦学习的工业物联网安全数据共享方案。

工业物联网（IIoT）是物联网的一个重要分支，专注于应用于工业领域的互联设备和系统。它利用物联网的核心技术，如传感器、通信技术、云计算和大数据分析，实现设备之间的数据交互和协作。工业物联网通过连接和集成工厂设备、传感器、控制系统和企业级应用软件，将实时数据、操作状态和生产信息整合在一起，为企业提供智能化的生产和管理。

相关介绍

众所周知，随着训练数据的增加和多样化，机器学习的模型性能会越来越好。然而，工业物联网（IIoT）实体往往缺乏信任，也有人对工业物联网（IIoT）数据共享平台持怀疑态度。这是进行数据共享的巨大障碍。为了解决数据共享安全性问题，想到了联邦学习算法。

联邦学习（FL）是一种协作分布式学习框架，其中参与协作的节点使用其本地数据训练模型。该方法通过聚合多方模型参数实现数据共享，减少模型偏差。不仅保留了数据的异构性，而且所有数据都保存在本地设备上，保证了原始数据的隐私性和安全性。但是，联邦学习算法也不是绝对的安全，因为集中式参数服务器可能受到单点攻击从而泄漏模型数据，此外传统的联邦学习框架不能有效的防止恶意节点的投毒攻击。因此又想到了区块链。

区块链由于其独特的去中心化、不可篡改性和可追溯性而受到了广泛的关注。区块链上的数据由点对点网络上的节点共同维护，使彼此不信任的多方能够交换价值。

现有的基于区块链的联邦学习IIoT数据共享方案仍然存在几个问题：

  1. 泄露中间隐私参数。联邦学习避免了原始IIoT数据泄漏的问题。但是，由于区块链账本的开放透明特性，当模型参数显式存储在区块链上时，仍然存在中间参数隐私泄露的问题，尤其是梯度隐私泄露。
  2. 联合节点的多方信任问题。在模型聚合过程中，可能会有半诚实或恶意的IIoT节点毒害全局模型，威胁全局模型的正确性和安全性。
  3. 现有的计划缺乏足够的激励和有效的共识。缺乏足够的激励来吸引更多的IIoT节点参与联邦学习任务，导致IIoT数据的利用效率低下。同时，传统的共识机制无法保证参与共享节点利益的公平性。

系统框架

该系统由四个主要部分组成：任务发布者、参与者、共识委员会和区块链。

  • 1.初始化模型参数
  • 2.下载模型参数
  • 3.本地模型训练
  • 4.上传本地参数模型
  • 5.下载模型参数
  • 6.验证本地更新
  • 7.节点评估
  • 8.多权重主体逻辑模式   8.1评估节点局部模型参数的质量 8.2记录参与节点的交互 8.3当地声誉和推荐意见 8.4产生全面声誉
  • 9.节点评估值
  • 10.聚合全局参数
  • 11.更新全局模型参数
  • 12.下载最终全局参数

实验分析与讨论

a15097745800
关注
Blockchain-based Gradient Inversion and Poisoning Defense for Federated Learning(论文翻译)
banzixiang的博客
03-25 1153
摘要：联邦学习已经成为一项有前景的隐私保护机器学习技术，使多个客户能够共同训练一个全局模型，而无需共享原始数据。随着联邦学习在物联网场景中的日益普及，对安全和隐私的担忧变得至关重要。特别是，梯度反转攻击和毒化攻击对全局模型的完整性和效果构成了重大威胁。为此，我们提出了一种基于区块链的全面防御机制，有效保护联邦学习系统免受此类攻击。我们采用了一种新颖的技术组合，包括公共区块链级别的保护和私有区块链级别的保护，二者协同工作，防止攻击者利用获得的梯度重构数据。这种独特的方法组合为联邦学习物联网场景中的梯度反转攻击
综述1--Federated Learning for Computer Vision
weixin_55265194的博客
06-22 2178
介绍了CV的来源和四种主要技术介绍了CV面临的挑战以及解决办法介绍了边缘计算架构的兴起对CV带来的机遇与问题并解决方案介绍了综述选文方法介绍了别人目前的相关综述的研究介绍了本文的贡献点基于统计数据（即从大型训练数据集中学习到的模式）；以规则形式表达的逻辑；基于深度神经网络 (DNN)（捕捉图像特征与最终决策之间的非线性关系）；基于结合多个决策以找到最大化整体性能的决策的遗传算法和进化算法；
A Blockchain-Enabled Federated Learning System with Edge Computing for Vehicular Networks边缘计算和区块链
m0_48022770的博客
11-26 2013
图1显示了我们的Bift系统架构的概述。Bift基于区块链实现高效安全的对等FL。对于这个过程，Bift的设计有以下目标：•生成一个最优的全局模型，即使在有限的恶意环境（高达30%的恶意节点）中，其性能也与没有对手的原始FL大致相同。•我们的联合学习证明共识算法与多个拜占庭稳健聚合规则相结合，防止了中毒。•不需要中央服务器，中央服务器随时可能崩溃，由一家公司控制。在我们的制度中，每个人都是平等的。Bift通过我们将在本节中描述的基于区块链的方法来解决这些目标。
Integration of Blockchain and Federated Learning for Internet of Things
WuwuwuH_的博客
05-16 3485
分布式机器学习 1.基于数据的并行化，数据分布在不同的服务器中，训练相同的机器学习模型。 2.基于模型平行操作，机器学习模型被划分为几个子模块，使用相同的训练数据训练不同的子模块。 联邦学习存在的问题 1.终端设备由于资源限制，可能无法与中心服务器分享模型参数。（提出了协作式联邦学习，终端设备与邻居设备共享模型参数，对本地模型数据进行聚合，将聚合模型与中心服务器共享。） 2.由于模型参数使用和过多使用通信网络，攻击者能够操纵模型参数来获得隐私数据。 区块链网络具有去中心化的性质，该属性使得货币的存储更加安全
聚合方法、模型验证、节点选择
k___l的博客
09-28 1139
总结：与经典的FL框架相比，NC层等价于中间层的作用，因此，NC层中的平均模型也会受到恶意攻击者的中毒攻击。同时，由于车辆收集的数据质量各不相同，高质量的数据共享意味着用户可以获得更可靠的服务，而低质量的数据则会降低服务的可靠性、驾驶体验或造成交通事故。（2）矿工选举和添加区块：考虑到车辆的计算能力有限，以及移动性的交互时间较短，如果哈希问题的难度设置的过高，会导致较长的块生成时间和计算功耗。提出了一种区块链辅助的物联网网络中的FL聚合方法，其中聚合节点的选择用于提高效率，区块链用于性能检验。
笔记2.Blockchain and Federated Learning forPrivacy-Preserved Data Sharing in Industrial IoT
k___l的博客
09-21 343
论文网址：https://ieeexplore.ieee.org/document/8843900
【论文】几篇论文核心思想概述
一定要站在自己热爱的生活里闪闪发光
10-05 3万+
1.《Blockchain and Federated Learning for Privacy-Preserved Data Sharing in Industrial IoT》 在本文中，作者提出了一种基于许可区块链的不同私有的多方数据模型共享方法。我们没有直接共享原始数据，而是结合了联邦学习算法，将原始数据映射到相应的数据模型中，通过由本地用户进行分布式培训，解决了学习阶段的隐私问题。我们还设计了一个基于区块链的分布式数据共享体系结构，使区块链能够保证数据的检索，并保证模型的精确训练。本文中的主要贡
“分布式学习与区块链的融合”探论——2023夏数据库论文作业
m0_62153438的博客
12-09 512
随着人工智能技术的迅速发展，分布式学习已成为一种强大的机器学习方法。然而，传统的分布式学习存在着数据隐私泄露、通信开销高和中心化控制等问题。区块链作为一种具有分布共享性、共识性、不可篡改性、可溯源性和最终一致性的技术，为解决这些问题提供了新的可能性。本论文重点探讨了分布式学习与区块链的融合，包括该方向的主要理论、成果以及目前存在挑战与展望关键词：分布式学习、区块链、融合前情综述：随着大数据时代的到来，机器学习在各个领域中得到了广泛应用。
【论文】联邦学习&区块链 论文集（二）
一定要站在自己热爱的生活里闪闪发光
11-20 3万+
11. Blockchain-based Federated Learning for Failure Detection in Industrial IoT 关键词：区块链、联邦学习、机器学习、边缘计算、物联网、失败 主要贡献： 1）一种平台体系结构，提供系统交互的系统视图，并作为IIoT故障检测中基于区块链的联邦学习系统的设计指南。架构设计涉及以下架构设计决策:模型培训的安排、监控客户数据的存储、客户的激励机制以及区块链的部署。 2）一种称为质心距离加权联邦平均(CDW FedAvg)的联邦平均算法，
【论文】论文搜集+摘要翻译
热门推荐
一定要站在自己热爱的生活里闪闪发光
09-19 3万+
1．【Blockchained On-Device Federated Learning】 通过利用区块链，这封信提出了一种区块链联合学习（BlockFL）架构，在该架构中可以交换和验证本地学习模型更新。通过利用区块链中的共识机制，这使得无需任何集中训练数据或协调即可进行设备上机器学习。此外，我们分析了BlockFL的端到端延迟模型，并通过考虑通信，计算和共识延迟来描述最佳块生成速率。 2.【Decentralized Privacy Using Blockchain-Enabled Federa.
区块链数据共享论文阅读
weixin_42787605的博客
11-12 1万+
目录一、带有激励机制的数据共享1. 《Blockchain-Based Incentives for Secure and Collaborative Data Sharing in Multiple Clouds》 一、带有激励机制的数据共享 1. 《Blockchain-Based Incentives for Secure and Collaborative Data Sharing in Multiple Clouds》 流程（加粗的是实体） 第三方提出数据需求，区块链广播需求 数据拥有者把
学习小结记录
A57645467的博客
07-22 568
1、首先客户端位置是一台电脑或手机，在打开浏览器以后，比如输入http://www.zdns.cn的域名，它首先是由浏览器发起一个DNS解析请求，如果本地缓存服务器中找不到结果，则首先会向根服务器查询，根服务器里面记录的都是各个顶级域所在的服务器的位置，当向根请求http://www.zdns.cn的时候，根服务器就会返回.cn服务器的位置信息。2、递归服务器拿到.cn的权威服务器地址以后，就会寻问cn的权威服务器，知不知道http://www.zdns.cn的位置。
C++编程学习（第13天）
醉后不知天在水，满船清梦压星河。
07-22 941
C++的选择结构
日语学习-日语知识点小记-构建基础-JLPT-N3阶段（10）：ような复习
qq_22146161的博客
07-25 358
自己在今年，在日本留学中，目前在语言学校，我自己不是那种一学什么的都能会的人，只能依靠自己一点一点积累，学习也分为很多种，自己跟着课本学是一种方法，如果记录下来，整理好，教给别人也是一种方式，我希望，以后每天一篇小的日语知识点小记，来构建基础，同时也可以帮助他人。草木在发芽，孩子在长大，岁月的列车不为谁而停下，不断学习，不断记录，本次学习又开始了一个新段落，当然，变得更加有难度了。如果您喜欢这个系列，请关注一下，您的关注，就是我持续创作的动力。
Yolo底层原理学习（V1~V3）（第一篇）
最新发布
2301_80670411的博客
07-25 518
流水不争，滔滔不绝。陌生人，我们一起加油ヾ(◍°∇°◍)ﾉﾞ
学习日志7.21
2301_80146401的博客
07-21 479
本文摘要介绍了数据报表处理中的关键函数和美化技巧。主要内容包括：1）常用聚合函数（SUM、AVG、MAX等）及日期处理方法；2）SUMIF、SUMIFS等条件函数的应用；3）环比、同比的计算方法；4）数据验证和错误处理技巧；5）报表美化三要素（字体调整、边框划分、条件格式）；6）双表美化步骤和汇报格式建议。重点强调了函数语法、常见错误规避以及通过格式优化提升报表可读性的实用技巧。
【电赛学习笔记】MaxiCAM 图像基础操作
YZYZYYNO_2的博客
07-23 1194
本文是一份MaixPy图像处理基础速查手册，详细介绍了12个核心功能模块的使用方法。主要内容包括：1)图像创建、加载和保存；2)格式转换与字节流互转；3)几何变换（缩放、裁剪、旋转等）；4)绘图功能（矩形、圆形、线条等）与文字绘制；5)图像叠加和关键点标注；6)屏幕显示与主循环控制。手册采用Python代码示例+中文注释形式，提供可直接复用的代码模板，特别说明了中文字体加载、图像格式转换等实用技巧，适合开发者快速查阅和实现基础图像处理功能。
技术派学习
m0_46159536的博客
07-25 169
整个社区系统按照业务边界进行初始化分：用户、文章、评论、专栏、消息通知；普通用户：社区的注册用户，围绕文章主体展开其覆盖的业务功能点；管理员：整个系统运营管理，如标签、分类管理、文章审核等。管理员：作为官方角色，负责整个社区的生态运营。社区系统的用户角色权限：管理员>用户>读者。用户：编辑发布修改文章。
多层感知机（深度学习-李沐-学习笔记）
gyeolhada的博客
07-25 648
多层感知机（深度学习-李沐-学习笔记）
FedSSA: Semantic Similarity-based Aggregation for Efficient Model-Heterogeneous Personalized Federated Learning
03-17
<think>好的，用户想了解FedSSA方法及其在个性化联邦学习中的应用，特别是关于基于语义相似性的聚合模型在异质联邦学习中的情况。首先，我需要回顾一下联邦学习的基本概念，尤其是个性化联邦学习（PFL）的相关知识。个性化联邦学习的目标是在保护数据隐私的同时，为不同客户端定制适合各自数据分布的模型，这与传统的联邦学习不同，传统方法通常训练一个全局模型，可能无法适应各客户端的局部数据特性。 接下来，用户提到的FedSSA，全称是Semantic Similarity-based Aggregation，即基于语义相似性的聚合方法。我需要查阅相关文献，看看这个方法是如何处理模型异质性的。在异质联邦学习中，各个客户端的模型结构可能不同，这增加了聚合的难度，因为传统的联邦平均（FedAvg）等方法需要模型参数结构一致才能进行平均。FedSSA可能通过分析模型之间的语义相似性，而不是直接聚合参数，来解决这个问题。 根据引用内容[^1]，FedMF在处理冷启动推荐时忽略了高阶交互，而FedSSA可能通过语义相似性来捕捉这些高阶特征。例如，在推荐系统中，用户和项目的交互可能不仅仅是直接的，还可能通过社交网络或其他隐含关系形成高阶交互。FedSSA可能利用这些语义信息来改进模型聚合，提升个性化推荐的性能。 然后，我需要分析FedSSA的具体机制。语义相似性可能指的是模型在特征空间或输出空间中的相似性。例如，通过比较不同客户端模型的特征表示或预测结果，计算它们之间的相似度，然后基于这些相似度进行模型聚合或参数调整。这种方法允许异质模型之间进行有效的知识传递，而无需统一模型结构，从而支持个性化学习。 另外，用户提到的模型异质性问题，FedSSA可能采用模型无关的聚合策略，比如通过知识蒸馏或迁移学习，将不同模型的知识整合到一个共享的表示空间中，再根据相似性进行聚合。例如，每个客户端模型生成嵌入向量，服务器计算这些嵌入的相似性，并据此调整聚合权重，使得相似客户端对彼此的模型更新贡献更大，从而提升个性化效果。 还需要考虑FedSSA在实验中的表现，尤其是在冷启动场景下的推荐效果。引用中提到的FedGNN、FedSog等方法通过图扩展改进，而FedSSA可能通过语义相似性聚合来补充这一点，特别是在数据稀疏或新用户/项目出现时，利用语义信息弥补数据不足的问题。 最后，综合这些信息，我需要以清晰的结构将FedSSA的工作原理、在异质联邦学习中的优势以及应用场景整理出来，确保回答准确且符合用户需求。同时，生成的相关问题应围绕FedSSA的机制、对比其他方法、性能评估和应用挑战展开，帮助用户深入理解该模型。</think>### FedSSA方法及其在个性化联邦学习中的应用 FedSSA（基于语义相似性的聚合）是一种面向**模型异质性**的个性化联邦学习方法，旨在解决传统联邦学习中客户端数据分布差异大、模型结构不一致导致的聚合效率低的问题。其核心是通过分析客户端模型的**语义相似性**而非参数对齐来实现知识共享，从而提升个性化模型的性能[^1]。 #### 1. FedSSA的核心机制 - **语义相似性度量**：计算不同客户端模型在特征空间或预测结果上的相似度（如余弦相似度），识别语义相近的客户端。 $$ \text{Similarity}(M_i, M_j) = \frac{\phi(M_i) \cdot \phi(M_j)}{\|\phi(M_i)\| \|\phi(M_j)\|} $$ 其中$\phi(\cdot)$表示模型的特征提取函数。 - **动态聚合权重**：根据相似度动态调整聚合权重，相似度高的客户端对全局模型的贡献更大。 $$ w_{i} = \frac{\exp(\text{Similarity}(M_i, M_{\text{global}}))}{\sum_j \exp(\text{Similarity}(M_j, M_{\text{global}}))} $$ - **异质模型兼容**：支持不同结构的本地模型（如CNN、RNN），通过语义对齐实现知识迁移，无需统一模型架构。 #### 2. 在个性化联邦学习中的优势 - **冷启动优化**：通过语义相似性捕捉用户-项目的高阶交互（如社交关系、隐含偏好），缓解数据稀疏性问题，提升冷启动推荐效果。 - **隐私保护**：仅共享模型语义信息（如嵌入向量），避免原始数据传输，符合联邦学习的隐私要求。 - **计算效率**：相比传统参数聚合方法（如FedAvg），减少通信开销，尤其适用于资源受限的边缘设备。 #### 3. 典型应用场景 - **推荐系统**：在联邦环境下，为不同用户提供个性化推荐（如新闻、商品），解决数据孤岛问题。 - **医疗诊断**：各医院使用不同结构的本地模型，通过FedSSA共享疾病预测的语义知识，同时保护患者隐私。 - **智能物联网**：异质设备（传感器、摄像头）协同训练，适应动态变化的边缘环境。 ```python # FedSSA聚合伪代码示例 def aggregate(models, global_model): similarities = [] for model in models: # 提取模型语义特征（如最后一层嵌入） local_embedding = extract_embedding(model) global_embedding = extract_embedding(global_model) # 计算相似度 sim = cosine_similarity(local_embedding, global_embedding) similarities.append(sim) # 归一化为权重 weights = softmax(similarities) # 加权聚合全局模型 new_global_model = weighted_sum(models, weights) return new_global_model ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值