[论文解读] Blockchain-Based Federated Learning in Mobile Edge Networks with Application in Internet of Vehicles

Rui Wang, Heju Li+1 more|arXiv (Cornell University)|Mar 1, 2021

Privacy-Preserving Technologies in Data参考文献 26被引用 10

一句话总结

本文提出了一种结合移动边缘计算（MEC）的区块链保护、差分隐私增强的联邦学习框架，用于车联网（IoV），以解决去中心化模型训练中的隐私泄露和恶意行为问题。通过结合本地差分隐私、基于全局模型轨迹一致性的自可靠性过滤器，以及基于区块链的参与者管理系统（以聚合权重作为模型质量的量化指标），该方案在抵御符号翻转攻击、同值攻击和后门攻击方面表现出高准确率与强鲁棒性，同时通过 MEC 网络中的双重聚合机制降低了云端通信开销。

ABSTRACT

The rapid increase of the data scale in Internet of Vehicles (IoV) system paradigm, hews out new possibilities in boosting the service quality for the emerging applications through data sharing. Nevertheless, privacy concerns are major bottlenecks for data providers to share private data in traditional IoV networks. To this end, federated learning (FL) as an emerging learning paradigm, where data providers only send local model updates trained on their local raw data rather than upload any raw data, has been recently proposed to build a privacy-preserving data sharing models. Unfortunately, by analyzing on the differences of uploaded local model updates from data providers, private information can still be divulged, and performance of the system cannot be guaranteed when partial federated nodes executes malicious behavior. Additionally, traditional cloud-based FL poses challenges to the communication overhead with the rapid increase of terminal equipment in IoV system. All these issues inspire us to propose an autonomous blockchain empowered privacy-preserving FL framework in this paper, where the mobile edge computing (MEC) technology was naturally integrated in IoV system.

研究动机与目标

• 解决车联网数据共享中的隐私泄露问题，即使联邦学习中的本地模型更新也可能暴露敏感信息。
• 缓解恶意参与者注入中毒梯度导致全局模型收敛受阻的风险。
• 通过将聚合计算卸载至移动边缘计算（MEC）节点，降低大规模 IoV 系统中的通信开销。
• 通过区块链记录并验证模型更新质量与参与者可靠性，确保联邦学习中的信任与可问责性。
• 基于模型更新质量（聚合权重）的利润分配机制，激励高质量数据贡献者。

提出的方法

• 通过向模型更新添加校准噪声，集成本地差分隐私，以满足 (ε,δ)-差分隐私，保护用户免受成员推断攻击。
• 采用自可靠性过滤器，基于与全局模型轨迹的一致性检测并剔除恶意模型更新。
• 设计双重聚合框架：在 MEC 节点进行本地聚合，在中心服务器执行全局聚合，从而减轻云端通信负载。
• 利用区块链记录并不可篡改地存储模型更新、参与者身份及更新质量指标，确保可审计性并防止篡改。
• 将模型更新质量量化为“聚合权重”——一种衡量贡献保真度的指标，用于确定参与者之间的利润分配。
• 在存在潜在异常值的情况下应用重加权聚合，但通过可靠性过滤增强其鲁棒性，防止在高攻击比例下出现收敛失败。

实验结果

研究问题

• RQ1 如何使车联网系统中的联邦学习对符号翻转攻击和同值攻击具备鲁棒性，以防止模型梯度被操纵？
• RQ2 差分隐私在 IoV 应用中能在多大程度上保护用户隐私，同时不显著降低模型准确率？
• RQ3 基于区块链的参与者管理系统能否在去中心化的 IoV 环境中有效确保模型更新的不可篡改性与可追溯性？
• RQ4 与传统的以云为中心的联邦学习相比，所提出的基于 MEC 的双重聚合机制在降低通信开销方面效果如何？
• RQ5 基于质量的利润分配机制能否有效激励高质量数据贡献者，并提升整体模型鲁棒性？

主要发现

• 在 60% 的符号翻转攻击下，FedAvg 的准确率低于 30%，而所提方法保持高性能，优于 FedAvg 和重加权聚合方法。
• 在同值攻击中，重加权聚合算法在 40% 和 60% 恶意攻击者比例下均无法收敛，准确率仅 10%，而符号翻转攻击下为 50%；相比之下，所提方法保持稳定。
• 在后门攻击中，即使在攻击者比例持续增加、经过 50 轮聚合后，所提方法仍将攻击成功率控制在 9.54% 以内，显著优于 FedAvg 和重加权聚合方法。
• 所提框架在多种攻击场景下均表现出高准确率与强鲁棒性，证明了对数据级与模型级投毒攻击的抗性。
• 双重聚合机制通过将本地聚合卸载至 MEC 节点，有效降低了通信开销，提升了大规模 IoV 部署的可扩展性。
• 基于区块链的系统确保了模型更新记录的不可篡改性，并通过量化的聚合权重实现透明、无需信任的参与者贡献验证。