[论文解读] A blockchain-orchestrated Federated Learning architecture for healthcare consortia

Jonathan Passerat‐Palmbach, Tyler Farnan+4 more|arXiv (Cornell University)|Oct 12, 2019

Privacy-Preserving Technologies in Data参考文献 12被引用 48

一句话总结

本论文提出一种面向医疗保健联盟的区块链驱动的联邦学习架构，特色包括使用 AMD SEV 的 Secure Aggregation、基于 Ethereum 的访问控制，以及隐私保护的审计轨迹。

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.

研究动机与目标

• 解决在联邦学习中的医疗数据共享所面临的隐私、法律和竞争挑战。
• 设计一个利用企业级 Ethereum 组件的联盟特定的 FL 架构。
• 引入适用于医疗网络的 Secure Aggregation 机制和隐私保护审计。
• 在 FL 工作流中提供细粒度的数据访问策略和传输中的加密。

提出的方法

• 使用 PySyft 作为模型训练与编排的 FL 构建模块。
• 将 Orchestrator 部署为在 Ethereum Besu 上的智能合约，以管理数据工作者和访问规则。
• 实现一个在 AMD SEV 保护的 VM 中运行的 Secure Aggregator，用于聚合加密权重。
• 使用 EIP-1024 对工作者与聚合器之间的模型更新进行传输加密。
• 在链上记录隐私保护的审计轨迹，同时隐藏参与者身份，记录训练事件。

实验结果

研究问题

• RQ1 医疗保健联盟的联邦学习架构如何强制实施细粒度数据访问策略？
• RQ2 基于 AMD SEV 的安全聚合能否在小到中等规模的联邦网络中替代传统的基于 MPC 的安全聚合？
• RQ3 基于 Ethereum 的工具如何在不暴露参与者身份的情况下提供隐私保护的可审计性？
• RQ4 在医疗保健联盟中部署区块链编排的 FL 的网络与运营考虑因素有哪些？

主要发现

• 提出四个隐私深度支柱：细粒度访问策略、基于 SEV 的安全聚合、通过 EIP-1024 的传输加密，以及隐私保护的链上审计轨迹。
• 认为企业级 Ethereum 工具（Besu）能够在联盟中实现受控数据共享和权限管理。
• 提议较小的联盟规模（不到 100 人）且成员值得信任，可以有效利用 SEV 启用的安全聚合，解决此类环境中 MPC 的局限性。
• 显示随机选择参与聚合的贡献通过防止将更新直接归因于单个工作者来增强隐私。