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

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)