[논문 리뷰] A blockchain-orchestrated Federated Learning architecture for healthcare consortia

Jonathan Passerat‐Palmbach, Tyler Farnan외 4명|arXiv (Cornell University)|2019. 10. 12.

Privacy-Preserving Technologies in Data참고 문헌 12인용 수 48

한 줄 요약

이 논문은 의료 컨소시엄에 특화된 블록체인 기반 연합 학습 아키텍처를 제안하며, AMD SEV를 이용한 Secure Aggregation, Ethereum 기반 접근 제어, 프라이버시를 보장하는 감사 추적을 특징으로 한다.

ABSTRACT

We propose a novel architecture for federated learning within healthcare consortia. At the heart of the solution is a unique integration of privacy preserving technologies, built upon native enterprise blockchain components available in the Ethereum ecosystem. We show how the specific characteristics and challenges of healthcare consortia informed our design choices, notably the conception of a new Secure Aggregation protocol assembled with a protected hardware component and an encryption toolkit native to Ethereum. Our architecture also brings in a privacy preserving audit trail that logs events in the network without revealing identities.

연구 동기 및 목표

• 연합 학습을 위한 의료 데이터 공유에서의 프라이버시, 법적, 경쟁적 도전 과제를 해결한다.
• 기업용 이더리움 구성요소를 활용한 컨소시엄 특화 FL 아키텍처를 설계한다.
• 의료 네트워크에 적합한 Secure Aggregation 메커니즘과 프라이버시 보존 감사 로깅을 도입한다.
• FL 워크플로우 내에서 세밀한 데이터 접근 정책과 전송 중 암호화를 제공한다.

제안 방법

• 모델 학습 및 오케스트레이션을 위해 FL 빌딩 블록으로 PySyft를 사용한다.
• 데이터 워커와 접근 규칙을 관리하기 위해 Ethereum Besu의 스마트 컨트랙트로 오케스트레이터를 배치한다.
• 암호화된 가중치를 집계하기 위해 AMD SEV로 보호된 VM에서 실행되는 Secure Aggregator를 구현한다.
• 워커와 애그리게이터 간의 모델 업데이트를 전송 중 암호화하기 위해 EIP-1024를 활용한다.
• 훈련 이벤트를 기록하는 동시에 참가자 신원을 숨기는 프라이버시 보존 온체인 감사 추적을 로깅한다.

실험 결과

연구 질문

• RQ1 의료 컨소시엄을 위한 연합 학습 아키텍처가 어떻게 세밀한 데이터 접근 정책을 강제할 수 있는가?
• RQ2 작은~중간 규모의 연합 네트워크에서 AMD SEV 기반의 Secure Aggregation이 전통적 MPC 기반 Secure Aggregation을 대체할 수 있는가?
• RQ3 참가자 신원을 노출하지 않으면서 Ethereum 기반 도구가 어떻게 프라이버시 보존 감사 가능성을 제공할 수 있는가?
• RQ4 의료 컨소시엄에서 블록체인-오케스트레이션 FL를 배치할 때의 네트워크 및 운영 고려사항은 무엇인가?

주요 결과

• 정밀한 접근 정책, SEV 기반 Secure Aggregation, EIP-1024를 통한 전송 중 암호화, 그리고 프라이버시 보존 온체인 감사 추적의 네 가지 깊이 있는 프라이버시 기둥을 제안한다.
• 기업용 이더리움 도구(Besu)가 컨소시엄에서 제어된 데이터 공유 및 권한 부여를 가능하게 한다고 주장한다.
• 신뢰할 수 있는 구성원을 가진 소형 컨소시엄 규모(100명 미만)가 SEV 지원 Secure Aggregation을 효과적으로 활용할 수 있으며, 이러한 설정에서 MPC의 한계를 해결한다는 점을 시사한다.
• 집계에 대한 기여의 무작위 선택이 개별 워커에 대한 업데이트의 직접적 속성을 방지하여 프라이버시를 강화한다는 것을 보여준다.