典型文献
基于区块链的隐私保护去中心化联邦学习模型
文献摘要：
传统的联邦学习依赖一个中央服务器,模型训练过程易受单点故障和节点恶意攻击的影响,明文传递的中间参数也可能被用来推断出数据中的隐私信息.提出了一种基于区块链的去中心化、安全、公平的联邦学习模型,利用同态加密技术保护协同训练方的中间参数隐私,通过选举的联邦学习委员会进行模型聚合和协同解密.解密过程通过秘密共享方案实现安全的密钥管理,利用双线性映射累加器为秘密份额提供正确性验证.引入信誉值作为评估参与方可靠性的指标,利用主观逻辑模型实现不信任增强的信誉计算作为联邦学习委员会的选举依据,信誉值作为激励机制的参考还可以保障参与公平性.模型信息和信誉值通过区块链实现数据的防篡改和不可抵赖.实验表明,模型在训练准确率相比中心化学习模型略有损失的情况下,能够保障在多方协作的环境下以去中心化的方式训练模型,有效实现了各参与方的隐私保护.
文献关键词：
区块链;联邦学习;隐私保护;同态加密;双线性映射累加器;信誉
中图分类号：
作者姓名：
周炜;王超;徐剑;胡克勇;王金龙
作者机构：
青岛理工大学信息与控制工程学院 山东青岛 266520;大规模个性化定制系统与技术全国重点实验室(海尔集团公司) 山东青岛 266100;东北大学软件学院 沈阳 110169
文献出处：
引用格式：
[1]周炜;王超;徐剑;胡克勇;王金龙-.基于区块链的隐私保护去中心化联邦学习模型)[J].计算机研究与发展,2022(11):2423-2436
A类：
双线性映射累加器
B类：
隐私保护,去中心化,联邦学习,中央服务器,模型训练,训练过程,单点故障,恶意攻击,明文,文传,推断出,隐私信息,同态加密技术,技术保护,协同训练,选举,学习委员,模型聚合,解密,秘密共享方案,密钥管理,正确性验证,信誉值,参与方,主观逻辑,逻辑模型,模型实现,不信任,算作,公平性,防篡改,抵赖,有损,多方协作,训练模型
AB值：
0.31813
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
