【LearningChain】WhenMachineLearningMeetsBlockchainADecentralizedPrivacy-preserving and SecureDesign

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)来保证系统的安全性；
3、设计不同的隐私策略（DP）来保护数据持有者的隐私，线性或非线性模型中；
3、在Etheurum上实现LearningChain来验证系统的效率和有效性；

LearningChain问题定义

1、LearningChain的两个挑战

• 如何保护训练者的数据隐私 — DP（可通过敏感度要求计算满足此敏感度的噪声大小） 或 LearningChainEx
• 如何保证系统对恶意节点攻击的弹性 — l-nearest aggression（余弦距离）；

2、LearningChain中的两种攻击

• 个人隐私威胁（身份隐私+数据隐私）
• 系统安全威胁（拜占庭数据持有者–发送任意梯