区块链&联邦学习

最新推荐文章于 2023-11-22 21:44:13 发布
最新推荐文章于 2023-11-22 21:44:13 发布
阅读量3.2k 收藏 30
点赞数 3
分类专栏： 区块链 文章标签： 区块链
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sgentle/article/details/116139971
版权
本文探讨了区块链与联邦学习的结合，介绍了联邦学习的隐私保护原理和流程，以及区块链在架构、数据安全、身份认证和贡献激励等方面如何增强联邦学习的信任与效率。通过PoQ共识机制，区块链确保模型参数的验证和存储，促进多参与方的可信合作。
摘要由CSDN通过智能技术生成

区块链&联邦学习

2020-CCCF-张彦、卢云龙、黄小红-区块链与联邦学习：融合与互补

联邦学习

传统的机器学习将数据集中到服务端，依赖于一个中心化的数据集通过运行机器学习算法训练相应的模型。当前，随着用户对隐私保护的重视，此类算法面临着巨大的隐私挑战。

联邦学习通过将训练任务下放到用户侧，仅将训练得到的模型参数结果发给服务端，从而使数据保持在本地，保证了用户数据的隐私。

img

联邦学习过程

  • 联邦学习中存在用户与服务端两个角色。

  • 在初始阶段，服务器会依据计算任务，下发将要学习的模型。

  • 在每个参与用户端，用户基于其本地学习模型。通常采用基于数据来训练指定的机器学二梯度的算法训练本地模型参数。

  • 在服务端，服务器会收集用户训练的模型参数，并将这些参数做聚合，对整体模型的参数进行更新。

区块链&联邦学习结合

image-20210116155800061

架构

该架构主要分为用户层和边缘服务层。

用户主要由物联网设备、移动终端等构成

最低0.47元/天 解锁文章
sgentle
关注
专栏目录
区块链与联邦学习综述
E_chos的博客
12-20 2万+
本期分享的论文是由Dinh C. Nguyen等人在2021年发表在IEEE Internet of Things Journal的文章《Federated Learning Meets Blockchain in Edge Computing Opportunities and Challenges》。
【联邦学习+区块链】联邦学习与区块链
热门推荐
一定要站在自己热爱的生活里闪闪发光
09-17 4万+
前言：联邦学习（Federated Learning）是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下，在多参与方或多计算节点之间开展高效率的机器学习的一种新兴人工智能基础技术，与分布式机器学习不同的是联邦学习需要一种去中心化分布系统来保证用户的隐私安全，在保障数据安全和交换、训练效率前提下进行有效的机器学习。区块链作为一个去中心化、数据加密、不可篡改的分布式共享数据库，可以为联邦学习的数据交换提供数据保密性来对用户隐私进行保障，保证各参与方之间的数据安全，也可以保证多参与方
2020-CCCF-张彦、卢云龙、黄小红-区块链与联邦学习：融合与互补.pdf
04-21
转自CCF，网址：https://dl.ccf.org.cn/institude/institudeDetail?id=4810506903701504 摘要：区块链在不可信的多方间，建立了一种安全可靠的机制。而联邦学习作为近年来出现的新兴机器学习技术，实现了保护隐私的人工智能。本文将围绕如何将区块链与联邦学习进行融合展开研究，并进一步探讨与之相关的应用。
区块链与联邦学习的研究
一定要站在自己热爱的生活里闪闪发光
11-16 3万+
本文分别介绍了区块链与联邦学习的研究现状、架构和运行原理、主要技术及局限性，并针对区块链与联邦学习所存在的问题，通过分析区块链与联邦学习各自的特点，探讨了如何将区块链与联邦学习进行融合互补，介绍了两种融合模型及其应用场景。 1区块链概述 1.1 区块链的研究现状 2008年10月,化名为“中本聪”的学者在密码学论坛上公开了《比特币:一种点对点的电子现金系统》一文[1],提出了利用PoW和时间戳机制构造交易区块的链式结构,剔除了可信第三方,实现了去中心化的匿名支付。比特币于2009年1月上线并发布创世块,.
基于区块链的联邦学习工作流程
WuwuwuH_的博客
02-06 2055
基于区块链的联邦学习工作流程及分类
【联邦学习+区块链】FLchain: Federated Learning via MEC-enabled Blockchain Network
WuwuwuH_的博客
02-08 4974
区块链和联邦学习的结合实现了一种实用的高鲁棒性的去中心化模型训练方案，保证了用户数据的隐私性。训练好的模型参数能够安全地存储在区块链中，对未经授权的访问和恶意行为具有万无一失的抵抗能力
基于区块链和联邦学习的边缘计算隐私保护方法.docx
05-29
基于区块链和联邦学习的边缘计算隐私保护方法.docx
基于DAG区块链的联邦学习框架实现去中心化和个性化python源码+项目说明.zip
最新发布
04-09
基于DAG区块链的联邦学习框架实现去中心化和个性化python源码+项目说明.zip ## 安装 使用 conda 安装 环境 ```bash cd dagfl conda env create -f environment.yml ``` ## 运行测试 要运行测试，运行以下命令 ...
融合区块链与联邦学习的网络入侵检测算法.pdf
08-15
根据提供的文件信息，以下是对标题“融合区块链与联邦学习的网络入侵检测算法.pdf”和相关部分内容的知识点的详细说明： 1. 网络入侵检测系统（IDS）：网络入侵检测系统是网络安全的重要组成部分，主要用于监控和...
A Decentralized Federated Learning Approach For Connected Autonomous Vehicles 学习笔记---联邦学习、区块链与自动驾驶
m0_48022770的博客
11-22 1557
为了解决GFL的上述两个限制， 我们删除GFL的集中式全球服务器并使用区块链，并提出一种基于区块链的联邦学习(BFL)方法， 其中网络系统能够交换来自车辆的本地模型更新， 同时提供和验证其相应的奖励。因此，训练出的模型需要能够快速地适应不断变化的交通环境，这就需要训练过程中考虑到对现实世界情况的反应，以确保训练出的模型在实际应用中能够具有良好的适应性和实时性。总之，尽管联邦学习不是在实际驾驶过程中进行，但仍然需要低时延和对现实世界情况的反应，以确保训练出的模型能够具有良好的性能和实时性。
【联邦学习 + 区块链】《联邦学习vs区块链：谁是“可信媒介”技术领域最强王者？》阅读记录与提问
一定要站在自己热爱的生活里闪闪发光
09-11 3万+
题目：《联邦【1】学习vs区块链：谁是“可信媒介”技术领域最强王者？》 【问1】联邦学习，何为“联邦”？ 在互联网新浪潮中，联邦学习和区块链是最受关注的两项热门技术。联邦学习【注】是一种在大数据服务中保护隐私的分布式机器学习技术，区块链是一种在去中心化网络中实现价值转移的分布式账本技术。那么问题来了，谁是可信媒介技术领域最强王者？ 【注】另有文章说“联邦学习的作用主要是用来解决数据孤岛”。 继续延伸：什么是“数据孤岛”？ 【文章出处】什么是联邦学习（https://zhuanlan.zhih
联邦学习-区块链论文笔记：FLchain: Federated Learning via MEC-enabled Blockchain Network
飞奔的菜猪的博客
10-12 9800
链接：IEEE Xplore Full-Text PDF: 作者：Umer Majeed（韩国庆熙大学团队） 又是韩国大学的团队，还挺好奇当时他们是怎么抓住这个风口的。 Motivation： 1）传统的联邦学习完全依赖于中央服务器的可靠性，来存储和计算全局模型的更新。 Idea： 亮点1-Channel：将peers隔离开，分成小的“区域”，每一小“区域”属于同一个channel。只有在同一个channel中的peers才有权在channel内读取、提交、验证事务。每个channel有单独的分类
【联邦学习+区块链】《联邦学习vs区块链：谁是“可信媒介”技术领域最强王者？》疑问解答
一定要站在自己热爱的生活里闪闪发光
09-16 3万+
联邦学习【1】VS 区块链 【问1】联邦学习，何为“联邦”？ 作为一种分布式机器学习技术，联邦学习可以实现各个企业的自有数据不出本地，而是通过加密机制下的参数交换方式共建模型，即在不违反数据隐私法规的情况下，建立一个虚拟的共有模型。由于数据本身不移动，因此也不会涉及隐私泄露和数据合规问题。这样，建好的模型将在各自的区域仅为本地的目标服务。在这样一个联邦机制下，参与各方可以在不披露底层数据和底层数据的加密（混淆）形态下共建模型，各个参与者的身份和地位相同，这就是为什么这个体系叫做联邦学习。 举例来说，
联邦学习、区块链论文笔记5
u010284078的专栏
09-20 251
此外，当模型准确率满足任务需求，云服务器发送停止训练信息给EN，ENs广播信息给覆盖的ID。FL任务的类别数量是Z。此外，任务信息，例如除吃全局模型、任务训练配置、模型准确率要求将在智能合约中声明。本地模型训练的目的是找到一个最优函数：Fw：X-Y， x是本地训练数据，y是真实标签。将模型误差定义为具有Non-IID数据的HFL网络的全局模型与具有IID数据的中心学习方法的中心模型之间的差异，k+1轮边缘模型，Nm表示位于m下的ID集合，|Nm|是IDs的数量，xnm是ID n 和EN m的关联因子。
区块链和联邦学习研究现状（翻译）
有关我的科研的足迹、算法竞赛的日子、生活记录。
04-19 1103
目前，有很多联邦学习+区块链的的研究工作。 Martinez提出使用EOS区块链作为联邦学习的激励层。通过日志、和激励，能够保证联邦学习参与方的热情和高质量的数据贡献。 Majeed和Hong设计了FLchain结构，通过边缘设备形成区块链网络。 通过区块链通道的概念，global model被具体分配，模型被存储在区块链中。 Zhang提出了一个安全的数据共享结构，基于车辆网络中的区块链授权，通过联邦学习保护了分享数据的隐私。提高系统计算资源的利用率。 Wang看到梯度信息泄露和易受完整性攻击问题，提出了
【论文】联邦学习&区块链 论文集（二）
一定要站在自己热爱的生活里闪闪发光
11-20 3万+
11. Blockchain-based Federated Learning for Failure Detection in Industrial IoT 关键词：区块链、联邦学习、机器学习、边缘计算、物联网、失败 主要贡献： 1）一种平台体系结构，提供系统交互的系统视图，并作为IIoT故障检测中基于区块链的联邦学习系统的设计指南。架构设计涉及以下架构设计决策:模型培训的安排、监控客户数据的存储、客户的激励机制以及区块链的部署。 2）一种称为质心距离加权联邦平均(CDW FedAvg)的联邦平均算法，
区块链如何应用于边缘计算、隐私计算联邦学习
xingxincsdn的博客
09-22 4518
近年来数据安全事件频发，数据安全威胁日益严峻。 随着《中华人民共和国数据安全法》的颁布和实施，对企业合规安全地发挥数据价值提出了更高的要求。 如何在保障数据安全的前提下发挥数据价值，平衡效率和风险，是当前面临的重要课题。 本文探讨如何将区块链应用于边缘计算、隐私计算联邦学习的场景下的实现数据安全和发挥数据价值效率。
区块链和联邦学习在智能驾驶方面的应用
m0_48022770的博客
10-23 1209
在这个应用中，区块链和联邦学习的关系：区块链可以增强联邦学习的安全性、隐私性和可信度。1. 数据隐私和安全性：区块链使用加密算法和分布式存储，可以确保数据在传输和存储过程中的安全性。参与方可以在不暴露原始数据的情况下，将加密的模型参数或梯度上传到区块链上进行共享和更新。2. 去中心化的信任机制：区块链的去中心化特性消除了中心化机构的需求，使得参与方可以直接进行交互和合作，无需信任第三方。区块链记录了所有的交易和操作，确保了参与方之间的交互的透明度和可追溯性。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值