声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：11-2223/N
国际刊号：1000-0054
发布日期:
作者：宋宇波, 朱靖恺, 赵灵奇, 胡爱群
单位：1. 东南大学 网络空间安全学院, 江苏省计算机网络技术重点实验室, 南京 211189;<br>2. 紫金山实验室, 南京 211189;<br>3. 东南大学 信息科学与工程学院, 移动通信国家重点实验室, 南京 211189
关键词：联邦学习,区块链,共识机制,模型准确率,去中心化学习
基金：国家重点研发计划项目（2020YFE0200600）\r\n
现有的联邦学习存在恶意中央服务器和恶意参与者发布虚假数据毒害模型等问题。针对此情况，该文提出了一种去中心化的联邦学习模型，该模型将聚合工作由中央服务器移至参与者本地，各个参与者依据聚合算法将训练之后的模型参数写入交易，生成区块发布到区块链网络中。采用一种基于模型准确率的Byzantine容错共识算法构建共识小组，通过建立节点信息表实现节点动态加入。对所提的链上去中心化联邦学习模型的吞吐量、时延等性能进行了相关测试，结果表明：在相同条件下，基于模型准确率的高性能Byzantine容错共识算法相较于传统的Byzantine容错共识算法，吞吐量提升60%，系统平均时延从6 s减少到1 s。
来源：2022年第5期
《清华大学学报(自然科学版)》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。