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

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