a15097745800的博客

原创 一个简单的分层聚合

原创 very FL训练结果

原创 得出客户端模型与平均聚合模型的欧氏距离

原创 Blockchain-driven Federated Learningfor Alzheimer’s MRI Image Classification

作者： Filippo Imboccioli;智能合约定义了 FL 的四种状态：OPEN、START、LEARNING 和 CLOSE，对应于图中描述的状态阶段。医疗保健领域学习和信任的去中心化：区块链驱动的阿尔茨海默病 MRI 图像分类联合学习。使用的聚合算法：平均聚合、基于单层相似性的聚合、基于整个模型相似性的聚合。时间：2024.4.23。

原创 Lightweight Blockchain-empowered Secure andEfficient Federated Edge Learning轻量级区块链赋能安全高效的联邦边缘学习

一旦收到足够的待处理交易（本地模型更新），节点将按照我们设计的安全聚合协议竞争性地计算下一轮的全局模型，生成候选块并将其发送给分配了 VRF 的委员会（步骤 ⑤）。BEFL还利用IPFS来存储全局模型，其地址记录在链上，而不是整个模型，以减少块传播的通信成本和不断增长的区块链的存储成本。这个新协议以与其股份成比例的概率选择委员会成员，以防止恶意区块链节点的攻击，并验证包含全局模型的 IPFS 地址的候选块。节点收到新验证的区块后，检查委员会成员的签名并将其添加到本地链中（步骤⑥）。

原创 IPFS 使用

ipfs init 开始初始化 ipfs网络环境，并且系统会分配一个属于你自己的IPFS网络哈希值(类似你在IPFS网络中的一张身份证ID)。有了这个ID，别人就可以访问到你的节点。启动节点服务器后通过访问WebUI: http://127.0.0.1:5001/webui这个网站可以看到一个UI界面。上传成功后会返回一个Hash值。通过Hash值能读取相应的文件。也可在UI界面中手动上传。

原创 A Blockchain-Based Decentralized Federated Learning Framework with CommitteeConsensus

为了解决恶意客户端或中心服务器不断攻击全局模型或用户隐私数据，提出了一种基于区块链的去中心化联邦学习框架，即基于区块链的具有委员会共识的联邦学习框架（BFLC）。在没有中心化服务器的情况下，该框架使用区块链进行全局模型存储和本地模型更新交换。为了实现所提出的BFLC，设计了一种创新的委员会共识机制，可以有效减少共识计算量并减少恶意攻击。

原创 VeryFL笔记

为了保护模型版权，区块链将为每个唯一的模型分配水印，作为模型版权的标识符。对于训练管理，客户端和服务器将每轮训练结果（包括准确性、损失和数据集大小）上传到区块链，以供客户端选择和激励分配。常见的联邦学习实验通常在 CIFAR10、CIFAR100 和 FashionMnist 数据集上进行，框架在 Benchmark 模块中提供了预配置，以便快速启动和运行。客户端和服务器将每轮训练结果（包括准确性、损失和数据集大小）上传到区块链，在区块链上进行客户端选择，在服务器上用FedAvg聚合算法聚合模型。

原创 《A Credible and Fair Federated Learning FrameworkBased on Blockchain》基于区块链的可信、公平的联邦学习框架

;;;;;：2024.1.17。

原创 《BlockDFL: A Blockchain-based Fully Decentralized Federated Learning Framework》中模型验证与共识过程

参与者被授予三种不同的角色，即更新提供者、聚合者和验证者。更新提供者用于基于其私有训练数据来训练模型并将其本地更新共享给聚合器。它独立工作。聚合器负责收集本地更新并选择其中一定数量的更新来聚合全局更新。它也可以独立工作。验证者共同主持选择合适的全局更新，并将其与验证者私钥创建的数字签名以及聚合器和更新提供者的身份打包到新添加到区块链中的块中。他们独立评分全局更新，并协作选择一个全局更新。图1中独立和协作的步骤用不同的颜色标记。在BlockDFL中，添加一个块意味着所有参与者都进行了一轮通信（相当于在FL中执

原创 《Incentive Mechanism Design for Joint Resource Allocation in Blockchain-based Federated Learning》笔记

在本文中，设计了一个激励机制，分配给每个客户端适当的奖励的训练和挖掘，然后客户端将确定的计算能力分配给每个子任务的基础上，这些奖励使用两阶段的Stackelberg博弈。将 BCFL 资源分配问题建模为两阶段 Stackelberg 博弈，以帮助 MO 决策为每个客户端分配多少奖励进行训练和挖掘，并帮助客户端确定在每个子任务中投入的相应计算能力量，通过最大化它们各自的效用。为了保持整个BCFL系统的稳定性和可持续性，受SV启发设计了公平的奖励分配方案，根据客户在培训过程中的贡献来计算客户的奖励。

原创 一个《基于区块链的异步联合学习》的小项目学习笔记

一些基础知识：logging模块用法：Python的logging模块提供了通用的日志系统，可以方便第三方模块或者是应用使用。这个模块提供不同的日志级别，并可以采用不同的方式记录日志，比如文件，HTTP GET/POST，SMTP，Socket等，甚至可以自己实现具体的日志记录方式。logging模块与log4j的机制是一样的，只是具体的实现细节不同。模块提供logger，handler，filter，formatter。初始化 logger = logging.getLogger("endle

原创 “资源分配”相关文献

在本文中，设计了一个激励机制，分配给每个客户端适当的奖励的训练和挖掘，然后客户端将确定的计算能力分配给每个子任务的基础上，这些奖励使用两阶段的Stackelberg游戏。：在这个问题的驱动下，提出了一个新的BFL框架，该框架的特点是在客户端的训练和挖掘的集成。然而，现有的研究大多集中在资源优化HFEL没有考虑的数据特性的影响，不能保证FL训练的质量。在这种情况下，资源有限的边缘服务器需要以具有成本效益的方式为移动的设备提供卸载任务，并为BCFL系统提供模型训练和区块链共识，而不会牺牲任何一方的服务质量。

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

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。

原创 Blockchain-enabled Federated Learning_ A Survey的文献学习

Federated Learning(FL)联邦学习，也可以叫联合学习、联盟学习，它是一个机器学习的框架，可以帮助多个组织更高效地处理数据和训练模型。这一概念最在2016年由Google提出的，当时是用于解决Android手机终端用户局部更新模型的问题。是为了确保大数据交换期间的信息安全；保护终端数据和个人数据隐私。并在合法合规的前提下，在多个计算节点之间开发更高效的机器学习。这种也叫水平的联邦学习。对于不同的数据集还有垂直联邦学习和联邦迁移学习。