sun_5flower的博客

When Machine Learning Meets Blockchain: A Decentralized, Privacy-preserving and Secure Design主要贡献1、提出基于区块链的去中心化的联邦系统LearningChain，考虑了线性和非线性模型（传统FL对非线性模型的隐私问题关注较少），并理论分析其安全性和隐私性；2、提出一个拜占庭容错的聚合算法( l-nearest aggression)；3、设计不同的隐私策略来保护数据持有者的隐私，线性或非线性模型中；3

When Federated Learning Meets Blockchain: A New Distributed Learning Paradigm贡献 BLADE-FL（LearningChain）1、设计BLADE-FL（blockchain assisted decentralized FL）框架；2、并探讨了BLADE-FL中的问题（隐私、资源分配、懒客户的检测）并给出解决方案；3、实验证明解决方案的有效性；BLADE-FL框架介绍完全去中心化：所有节点都参与训练ML模型并负责挖矿

Byzantine-Robust Distributed Learning: Towards Optimal Statistical Rates摘要：1、提出一个分布式优化算法健壮性和最佳性能的证明方式；2、基于证明方式提出了两种满足鲁棒性的分布式梯度下降算法（基于中位数或基于修剪后的平均操作）；3、为增强通信效率，提出一个基于中位数的仅使用一轮通信的分布式算法，并证明了其鲁棒性，并证明在强凸二次损失中，该算法与鲁棒分布式梯度下降算法具有相同的最优错误率。背景介绍：1、1982年Lamport提

PIRATE: A blockchain-based secure framework of distributed machine learning in 5g networks主要贡献：5G时代，通信延迟和网络带宽不再是移动设备的瓶颈，每个移动设备都可参与分布式学习（可用性），分布式系统在上传本地模参和聚合模型过程中可能会遭受拜占庭攻击，模型安全成为新的问题；拜占庭攻防，本文提出基于区块链分片技术(sharding)的安全计算框架（PIRATE）待解决的问题移动设备计算力足够，但因设备异

中山大学研究团队2020提出基于区块链委员会机制的联邦学习系统（BFLC）。相比BFL的优点：1、减少共识计算量2、减少恶意攻击讨论了BFLC的扩展性（理论安全、存储优化、激励机制）【1】FL（C/S）存在的问题中央服务器功能：执行更新聚合并广播（要求网络高带宽）、客户端节点选择、全局模型的维护存在的问题：服务器稳定性受服务器提供商影响、偏向某些客户端导致模型倾斜、服务器恶意投毒或从模型更新中收集用户隐私数据；解决方案: 去掉中央服务器，使用分布式节点代替—>区块链(分布式数据库)

本文主要记录在ubuntu18.04上部署单机Fate1.6时遇到的问题以及解决方案。参考至：Fate官方部署指南一、准备工作【1】win10上通过Hyper-V 安装的Ubuntu18.04的虚拟机;【2】win10上安装FileZilla + Ubuntu上开启ftp服务，两者之间互传文件;win10上下载linux上Professional版本的PyCharm，并上传至ubuntu用户的Downloads目录下；win10上下载单机1.6.0版本的Fate，并上传至ubuntu用户的Do