[논문 리뷰] Mobile Edge Computing, Blockchain and Reputation-based Crowdsourcing IoT Federated Learning: A Secure, Decentralized and Privacy-preserving System.

Yang Zhao, Jun Zhao외 3명|arXiv (Cornell University)|2019. 06. 26.

Privacy-Preserving Technologies in Data참고 문헌 9인용 수 81

한 줄 요약

이 논문은 모바일 엣지 컴퓨팅, 블록체인, 신뢰 기반 커뮤니티 기반 캐러스터링을 활용하여 보안성, 탈중앙화, 프라이버시 보장 기능을 갖춘 IoT 기기 제조사용 분산형 페더레이티드 러닝 시스템을 제안한다. 이는 사용자가 로컬에서 수집한 IoT 데이터를 활용해 개인화된 모델을 공동으로 훈련시키며, 차등적 프라이버시를 적용함으로써 개인정보를 보호하고, 블록체인을 통해 신뢰할 수 없는 환경에서도 모델 집계를 보장하며, 코인 보상 기반 인cent라이브 메커니즘을 통해 참여를 유도한다.

ABSTRACT

Internet-of-Things (IoT) companies strive to get feedback from users to improve their products and services. However, traditional surveys cannot reflect the actual conditions of customers' due to the limited questions. Besides, survey results are affected by various subjective factors. In contrast, the recorded usages of IoT devices reflect customers' behaviours more comprehensively and accurately. We design an intelligent system to help IoT device manufacturers to take advantage of customers' data and build a machine learning model to predict customers' requirements and possible consumption behaviours with federated learning (FL) technology. The FL consists of two stages: in the first stage, customers train the initial model using the phone and the edge computing server collaboratively. The mobile edge computing server's high computation power can assist customers' training locally. Customers first collect data from various IoT devices using phones, and then download and train the initial model with their data. During the training, customers first extract features using their mobiles, and then add the Laplacian noise to the extracted features based on differential privacy, a formal and popular notion to quantify privacy. After achieving the local model, customers sign on their models respectively and send them to the blockchain. We use the blockchain to replace the centralized aggregator which belongs to the third party in FL. In the second stage, miners calculate the averaged model using the collected models sent from customers. By the end of the crowdsourcing job, one of the miners, who is selected as the temporary leader, uploads the model to the blockchain. Besides, to attract more customers to participate in the crowdsourcing FL, we design an incentive mechanism, which awards participants with coins that can be used to purchase other services provided by the company.

연구 동기 및 목표

• 실제 IoT 기기 사용 데이터를 활용하여 기존 설문 조사의 한계를 보완해 실제 사용자 행동을 정확히 캡처하고자 한다.
• 사용자 프라이버시를 훼손하지 않으면서도 IoT 제조사가 사용자 행동의 정확한 예측 모델을 구축할 수 있도록 하고자 한다.
• 페더레이티드 러닝에서 중심화된 집계자에 대한 의존도를 제거하기 위해 블록체인 기반의 탈중앙화된 모델 집계 프로세스로 대체하고자 한다.
• 코인 기반 보상 메커니즘을 통해 커뮤니티 기반 페더레이티드 러닝에 대한 사용자 참여를 유도하고자 한다.
• 블록체인과 통합된 신뢰도 시스템을 통해 모델의 무결성과 참가자의 책임성을 확보하고자 한다.

제안 방법

• 고객은 스마트폰을 통해 IoT 사용 데이터를 수집하고, 모바일 기기에서 특징 추출을 수행한 후 로컬 모델 훈련을 수행한다.
• 추출된 특징에 라플라스 노이즈를 추가하여 차등적 프라이버시를 구현하고, 로컬 모델 훈련 이전에 적용한다.
• 모델의 진위성과 무결성을 보장하기 위해 각 고객이 자신의 로컬 모델에 디지털 서명을 한다.
• 로컬 모델은 기존의 중심화된 집계자 대신 블록체인에 제출된다.
• 블록체인의 마이너는 참가자들로부터 수신한 서명된 로컬 모델들을 평균하여 글로벌 모델을 계산한다.
• 임시 리더 마이너가 최종 집계된 모델을 블록체인에 업로드하여 최종성과 투명성을 확보한다.

실험 결과

연구 질문

• RQ1 어떻게 탈중앙화된 페더레이티드 러닝 프레임워크를 설계하여 사용자 프라이버시를 보호하면서도 IoT 기기 데이터로부터 정확한 모델 훈련을 가능하게 할 수 있는가?
• RQ2 블록체인은 중앙 집중형 집계자와의 대체를 통해 페더레이티드 러닝에서 신뢰할 수 없는 모델 집계를 보장하는 데 어떤 역할을 하는가?
• RQ3 차등적 프라이버시는 로컬 훈련 단계에 어떻게 효과적으로 통합되어 사용자 데이터를 보호할 수 있는가?
• RQ4 커뮤니티 기반 페더레이티드 러닝에 광범위한 사용자 참여를 유도하기 위한 효과적인 인센티브 메커니즘은 무엇인가?
• RQ5 탈중앙화되고 신뢰할 수 없는 환경에서 IoT 페더레이티드 러닝의 경우, 신뢰도와 책임성을 어떻게 유지할 수 있는가?

주요 결과

• 모바일 엣지 컴퓨팅의 통합은 최종 사용자 기기의 계산 부담을 크게 줄여 효율적인 로컬 모델 훈련을 가능하게 한다.
• 특징에 라플라스 노이즈를 추가함으로써 차등적 프라이버시가 보장되어 로컬 훈련 중 사용자 데이터가 정량적으로 보호된다.
• 블록체인 기반의 모델 집계 방식은 신뢰할 수 있는 중심 기관이 필요 없음을 보여주며, 시스템의 탈중앙화와 신뢰도를 향상시킨다.
• 코인 기반 보상 메커니즘은 사용자 참여를 성공적으로 유도하며, 기여도와 신뢰도에 따라 보상이 분배된다.
• 다층적인 신뢰 및 보안 아키텍처를 통해 모델 정확도, 프라이버시 보장, 탈중앙화 간의 균형을 달성한다.