云边端架构下区块链与分层联邦学习结合相关研究

题目：A Novel Blockchain-Assisted Aggregation Scheme for Federated Learning in IoT Networks

1.架构

        在云边端架构下，每个边缘管理大量终端，将这些终端划分为多个Cluster，并选出Cluster Header。 在每个Cluster 内部部署cluster blockchain network，所有边缘基站和能力强的设备组成Local blockchain network。  两种区块链网络的共识算法均采用Raft+，首先需要选择Leader。 该架构下包含三类模型聚合，cluster 聚合、边缘聚合、全局聚合。 cluster 聚合由cluster header完成，边缘聚合由基站完成，全局聚合由云服务器完成。 

2.流程

        在每个训练轮次，能力中等的设备用本地数据训练本地模型，然后将模型上传至cluster header，header 需要具备较强的计算能力（未必最强）。 Header执行聚合操作并且发起内部模型验证。 选出的Header 把他们的模型发送到基站，基站对cluster 模型进行边缘聚合并且将边缘模型上传至云服务器。 服务器执行全局聚合并且同步全局模型参数到IoT终端模型。 随后开始下一轮训练。 

       在云聚合和边缘聚合之外引入了Cluster 聚合，首先需要通过预训练调整Cluster的构成。目的是选择最优的强设备集合，作为聚合节点，选出Leader节点作为共识节点。所提聚合算法包括节点选择和验证方案两部分：

        （1）节点选择的依据是节点资源、通信环境和模型准确率，使用强化学习进行选择。（准确率通过验证结果求平均值得到）

        （2）验证方案分为内部验真个外部验证。

• 内部验证：cluster header收集模型执行聚合后产生验证任务。验证任务被打包发送到cluster 区块链。中设备评估其它中设备的模型。 结果返回给header ，header 通过平均的方式计算准确率，然后将结果打包，广播进行共识。 （内部验证负责验证本地模型和中设备）为防止有设备报告错误的验证结果（可能拉低平均值），选择部分结果计算平均值。 
• 外部验证：强设备可能是恶意的，报告不准确的信息给边缘。 外部验证负责验证cluster模型， 为聚合节点选择提供性能证明。 为了提升验证效率，结合了最优停止理论。 leader为每个聚合者收到的验证结果进行排队。 将队列分为两部分，前一部分作为基准确定门限，后一部分大于门限的则选择，选够则停止。 若选不够，最后几个都选上。 

                

---

---