【论文】联邦学习区块链论文集（一）

1.\color{#FF0000} 1.1. Blockchained On-Device Federated Learning

关键词：联邦学习、区块链、延迟分析
主要贡献：

1）用区块链网络来代替中央服务器；
2）提供验证和相应的激励机制
3）研究BlockFL端到端学习完成延迟, 通过调整块生成率来使延迟最小化

IEEE COMMUNICATIONS LETTERS, VOL. 24, NO. 6, JUNE 2020

2.\color{#FF0000} 2.2. Decentralized Privacy Using Blockchain-Enabled Federated Learning in Fog Computing

关键词：区块链、联邦学习、雾计算、隐私保护

主要贡献：

1）分散隐私：通过将区块链和联邦学习相结合，FL-Block实现了分散隐私保护，并防止了雾计算场景中的单点故障。此外，区块链可以想联邦学习参与者提供激励。
2）投毒攻击证据：因为中央服务器被区块链所代替，提供了nontempering feature，可以消除投毒攻击，从而增强了保护机制。
3）高效：两个重要特征共同促成高效率。第一，联邦学习只需要交换训练更新；第二，指针保存在区块链，而相关的数据保存在一个链外的分布式哈希表中。

IEEE INTERNET OF THINGS JOURNAL, VOL. 7, NO. 6, JUNE 2020

3.\color{#FF0000} 3.3. Federated Learning With Blockchain for Autonomous V ehicles: Analysis and Design Challenges

关键词：车载机器学习、联邦学习、区块链、延迟分析、共识延迟、低延迟

主要贡献：

1）提出BFL，用区块链代替中心服务器。
2）对端对端延迟做了数学分析。
3）构建了一个类似的车载网络模型，将无线信道和链路特性的复杂交互与蜂窝网络的详细传输机制相结合。
4）设计了一种实时自适应算法，保持延迟最小。

IEEE TRANSACTIONS ON COMMUNICA TIONS, VOL. 68, NO. 8, AUGUST 2020

4.\color{#FF0000} 4.4. Blockchain and Federated Learning for Privacy-Preserved Data Sharing in Industrial IoT

关键词：数据共享、联邦学习、工业物联网（IIOT）、许可区块链、隐私保护

主要贡献：

1）通过联邦学习来构建数据模型并共享数据模型，而不共享原始数据，从而将数据共享问题转化为机器学习问题。
2）提出了一种新的区块链授权协作架构，通过分布式多方贡献数据，以降低数据泄露的风险，通过这种架构，数据所有者可以进一步控制对数据共享的访问。
3）将差分隐私集成到联合学习中，以进一步保护数据隐私。我们还使用基准、开放的真实数据集对我们提出的模型的有效性进行了评估。

IEEE T RANSACTIONS ON INDUSTRIAL INFORMATICS, VOL. 16, NO. 6, JUNE 2020

5.\color{#FF0000} 5.5. Blockchain Empowered Asynchronous Federated Learning for Secure Data Sharing in Internet of V ehicles

关键词：数据共享、区块链、异步联邦学习、深度学习优化、虚拟车辆互联网

主要贡献：

1）提出了一种hybrid blockchain - PermiDAG，它由一个主许可区块链（由路边单元RSU维护）和一个局部有向无环图（由车辆运行，以实现车辆间的数据共享）组成。
2）提出了一种异步联邦学习方案，用于从边缘数据中学习模型，并通过选择参与节点以最小化总成本来进一步提高联合学习的效率。
3）通过将学习的参数整合到区块链模型中，并通过两阶段验证来验证这些参数的质量，从而提高学习模型的可靠性。

IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY , VOL. 69, NO. 4, APRIL 2020

6.\color{#FF0000} 6.6. Towards Blockchain-Based Reputation-Aware Federated Learning

关键词：区块链、机器学习、联邦学习、移动边缘计算、声誉、信任（可信）

主要贡献：

1）正式介绍、描述和阐述了MEC网络中细粒度FL的概念。
2）讨论了细粒度FL的性能目标，强调其局限性，并定义其核心需求。
3）提出了基于区块链的信誉感知FL的概念，在MEC系统中设计了一个可信的协作ML。
4）对提出的模型进行定性评估，并将其与最新的研究工作进行比较。

IEEE INFOCOM 2020 - IEEE Conference on Computer Communications Workshops (INFOCOM WKSHPS) 10 August 2020

7.\color{#FF0000} 7.7. A Blockchain-based Decentralized Federated Learning Framework with Committee Consensus（尚未收录）

关键词：区块链、联邦学习、一致性验证、健壮性

主要贡献：

1）提出了基于区块链的FL架构BFLC，详细定义了模型的存储模式、训练过程、新的共识机制。
2）从技术上讨论了BFLC的可扩展性，包括社区中的节点管理、恶意节点攻击的分析和存储优化。
3）通过在真实的FL数据集上的实验证明了BFLC的有效性。通过模拟恶意攻击，验证了BFLC的安全性。
恶意攻击

arXiv.org

8.\color{#FF0000} 8.8. Resource Management for Blockchain-enabled Federated Learning: A Deep Reinforcement Learning Approach（不推荐）

关键词：联邦学习、区块链、深度强化学习、资源分配、排队论

主要贡献：

1）开发了一个基于深度强化学习的方案，在没有任何网络先验知识的情况下，为多层感知器获得最优决策。
2）首先描述BFL系统，其中区块链系统被建模为一个M/M/1队列系统。然后将BFL问题表述为一个随机优化问题。为了解决这个问题，采用了具有深度Q网络的DRL(DQN)。
3）仿真结果表明，所提出的DRL方案在能量消耗、训练延迟和成本方面优于基线方案。

arXiv.org

9.\color{#FF0000} 9.9. Blockchain-Federated-Learning and Deep Learning Models for COVID-19 detection using CT Imaging

关键词：COVID-19、隐私保护数据共享、深度学习、联邦学习、区块链

主要贡献：

1）介绍了一个由89名受试者组成的新数据集，其中68名受试者为确诊的COVID19患者。数据集包含属于89个受试者的34，006个CT扫描切片(图像)。
2）提出了一种区块链授权的技术，可以从不同来源协作收集数据集，同时考虑到组织的隐私问题。采用联邦学习是为了保护组织的数据隐私，并使用不太精确的局部模型来训练全局深度学习模型。
3）使用深度学习模型(VGG16、VGG19、DenseNet、AlexNet和MobileNet、ResNet、Capsule Network)从肺部ct扫描中检测新冠肺炎图像。
4）比较了最先进的本地模型(即ResNet、Capsule Network等)与联邦学习模型的比较结果清楚地表明了我们提出的方法的优越性。

JOURNAL OF LATEX CLASS FILES, VOL. 14, NO. 8, AUGUST 2020

10.\color{#FF0000} 10.10. Scalable and Communication-efficient Decentralized Federated Edge Learning with Multi-blockchain Framework

关键词：联邦边缘学习、区块链、梯度压缩、传输效率、安全

主要贡献：

1）设计了一个分层的区块链框架，该框架由一个主区块链和多个子链，以安全、可扩展和灵活的方式管理模型更新和模型共享记录。
2）对于模型训练子链，我们设计了一个视点一致性方案，通过允许矿工协同验证安全BFEL模型更新的质量来过滤掉不可靠的模型更新。
3）提出了一种梯度压缩方案，在不影响学习精度的情况下提高BFEL的通信效率，并通过减轻推理攻击来增强隐私保护。

Part of the Communications in Computer and Information Science book series (CCIS, volume 1267)