[论文解读] Privacy-Preserving Blockchain Mining: Sybil-resistance by Proof-of-Useful-Work

Hjalmar Turesson, Alexandra Roatiş+2 more|arXiv (Cornell University)|Jul 20, 2019

Blockchain Technology Applications and Security被引用 5

一句话总结

本文提出了一种名为有用工作证明（Proof-of-Useful-Work, PoUW）的隐私保护型区块链共识机制，该机制将挖矿资源重新用于训练机器学习模型，而非无谓的计算。通过整合数据提供方、矿工和一个委员会以开展去中心化的机器学习竞赛，PoUW 在保持抗女巫攻击能力的同时，将资源利用率提升至超越区块链安全性的水平。

ABSTRACT

Blockchains rely on a consensus among participants to achieve decentralization and security. However, reaching consensus in an online, digital world where identities are not tied to physical users is a challenging problem. Proof-of-work (PoW) provides a solution by linking representation to a valuable, physical resource. This has worked well, currently securing Bitcoins $100 B value. However, the Bitcoin network uses a tremendous amount of specialized hardware and energy, and since the utility of these resources is strictly limited to blockchain security, the resources used are not useful other purposes. Here, we propose an alternative consensus scheme that directs the computational resources to a task with utility beyond blockchain security, aiming at better resource utilization. The key idea is to channel the resources to optimization of machine learning (ML) models by setting up decentralized ML competitions. This is achieved by a hybrid consensus scheme relying on three parties: data providers, miners, and a committee. The data provider makes data available and provides payment in return for the best model, miners compete about the payment and access to the committee by producing ML optimized models, and the committee controls the ML competition.

研究动机与目标

• 为解决传统工作量证明在区块链中效率低下的问题，将计算资源重新用于有用的任务。
• 通过将挖矿努力引导至训练具有现实应用价值的机器学习模型，提升资源利用率。
• 在不依赖高能耗计算的前提下，维持去中心化系统中的抗女巫攻击能力。
• 设计一种混合共识模型，包含数据提供方、矿工和委员会，以公平地管理机器学习模型竞赛。
• 在确保挖矿过程隐私保护的同时，实现可验证且安全的模型提交。

提出的方法

• 该系统引入一种包含三种角色的混合共识模型：数据提供方、矿工和负责监督机器学习竞赛的委员会。
• 矿工通过提交经过优化的机器学习模型作为工作量证明，竞争奖励和进入委员会的资格。
• 数据提供方发布数据集，并为表现最佳的模型提供经济激励，从而构建以实用价值为导向的激励机制。
• 委员会使用预设指标评估模型性能，并选出优胜模型，确保竞赛的公平性与完整性。
• 在提交与评估过程中应用隐私保护技术，以保护数据和模型细节。
• 该共识机制通过要求矿工在有用任务上投入计算资源而非任意计算，实现抗女巫攻击能力。

实验结果

研究问题

• RQ1 如何使区块链挖矿超越保护账本的范畴，从而提升资源利用效率？
• RQ2 基于训练机器学习模型的共识机制是否能提供与传统工作量证明相当或更优的抗女巫攻击能力？
• RQ3 在矿工以机器学习模型作为工作量证明的去中心化系统中，如何保护隐私？
• RQ4 委员会在确保去中心化机器学习竞赛的公平性与完整性方面发挥何种作用？
• RQ5 如何激励数据提供方贡献高质量数据集，同时保持隐私保护？

主要发现

• 所提出的有用工作证明（PoUW）机制成功将挖矿资源引导至机器学习模型训练，使资源效用超越区块链安全性的范畴。
• 通过将机器学习模型优化作为工作量证明，该系统在不依赖高能耗计算的前提下实现了抗女巫攻击能力。
• 包含数据提供方、矿工和委员会的混合模型，实现了对模型质量与奖励的公平且可验证的竞争。
• 该框架支持隐私保护的模型提交，确保在共识过程中敏感数据与模型细节得到保护。
• 该系统表明，计算资源可在保持区块链安全性和去中心化的同时，被有效用于现实世界的应用。
• 该方法通过将挖矿激励与有用计算对齐，为传统工作量证明提供了一种可持续的替代方案。