PPBFL：一种基于区块链的隐私保护联邦学习模型
内容提要
该文综述区块链与联邦学习的结合研究，提出BDFL等框架，利用区块链实现去中心化模型验证、审计与激励，并结合信誉机制、分片、TEE、同态加密和零知识证明提升安全性与隐私保护；实验表明可抵御恶意客户端和拜占庭攻击，实现高效可扩展的联邦学习。
延伸解读
区块链如何补足联邦学习的信任短板
文章指出，联邦学习面临不可靠参与设备、匿名性等挑战，而区块链的分散化模型验证和审计能力可应对这些问题。例如，BDFL利用审核委员会和信誉模型，在30%恶意客户端存在时仍实现快速收敛和高准确性。这表明区块链并非简单叠加，而是通过去中心化机制增强联邦学习的可信度，为隐私保护提供可审计的基础。
隐私保护技术的组合策略
文章提到多种技术结合：TEEs用于本地训练和安全聚合以限制隐私泄漏；同态加密支持安全计算；零知识证明用于构建公平透明的系统。这些技术并非孤立使用，而是根据场景需求组合。例如，PPFL框架通过TEEs实现隐私保护与模型效用的平衡，而双层区块链架构则结合分布式同态加密解决交通预测中的安全计算问题。
可扩展性与激励机制的协同设计
SRB-FL框架引入区块链分片和激励机制，旨在确保数据可靠性、可扩展性和可信度，并提高FL设备的可靠性。实验表明该框架高效可扩展。这说明在去中心化联邦学习中，激励机制不仅用于奖励贡献，还与分片等技术协同，以应对大量训练模型和匿名性带来的挑战，从而维持系统的长期运行。
Q&A
区块链在联邦学习中主要能解决哪些问题？
区块链可用于实现去中心化模型验证与审计，通过审核委员会、激励机制、信誉模型和动态网络更新协议来提升联邦学习的安全性与可靠性，并能抵御恶意客户端和拜占庭攻击。
BDFL框架是如何应对恶意客户端的？
BDFL利用区块链进行分散化模型验证和审计，并引入信誉机制。评估表明，在存在30%恶意客户端的系统中，通过信誉机制仍能实现快速模型收敛和高准确性。
SRB-FL框架采用了什么技术来提升联邦学习的可扩展性和可靠性？
SRB-FL基于区块链分片构建安全联邦学习，确保数据可靠性、可扩展性和可信度，并引入激励机制提高FL设备的可靠性。实验表明该框架高效可扩展。
有哪些隐私保护技术被用于基于区块链的联邦学习？
文章提到本地差分隐私、零知识证明、同态加密和可信执行环境（TEEs）等技术被用于构建公平、透明、保护隐私的分散式机器学习系统，以限制隐私泄漏。
基于区块链的联邦学习如何实现激励与惩罚？
文章提到多种机制：BDFL包含激励机制和信誉模型；SRB-FL引入激励机制提高设备可靠性；还有系统结合点对点投票机制和激励-惩罚机制来检测和防止恶意行为。
区块链联邦学习在交通预测等实际场景中有何应用？
文章提到一个基于双层区块链架构的安全联邦学习交通预测系统，使用分布式同态加密联邦平均方案解决安全计算问题，实验证明了其在在线交通流量预测任务中的性能和准确性。
