软件学报

作者：乔少杰，林羽丰，韩楠，杨国平，李贺，袁冠，毛睿，元昌安，Louis Alberto GUTIERREZ

单位：乔少杰，成都信息工程大学 软件工程学院, 四川 成都 61022511,林羽丰，成都信息工程大学 软件工程学院, 四川 成都 61022502,韩楠，成都信息工程大学 管理学院, 四川 成都 61022503,杨国平，成都信息工程大学 软件工程学院, 四川 成都 61022504,李贺，西安电子科技大学 计算机科学与技术学院, 陕西 西安 71007105,袁冠，矿山数字化教育部工程研究中心(中国矿业大学), 江苏 徐州 22111606,毛睿，深圳大学 计算机与软件学院, 广东 深圳 51806007,元昌安，广西人机交互与智能决策重点实验室(广西科学院), 广西 南宁 53010008,Louis Alberto GUTIERREZ，Department of Computer Science, Rensselaer Polytechnic Institute, New York, USA09

关键词：数据联邦;区块链;大数据安全管理;共识机制;存储策略

基金：国家自然科学基金（61772091，61802035，61962006）；四川省科技计划（2021JDJQ0021，2022YFG0186，2021YZD0009，2021ZYD0033）；成都市技术创新研发项目（2021-YF05-00491-SN，2021-YF05-02414-GX，2021-YF05-02413-GX，2021-YF05-02420-GX，2021-YF05-02424-GX）；成都市重大科技创新项目（2021-YF08-00156-GX，2021-YF08-00159-

在大数据背景下，保证数据可信共享是数据联邦的基本要求.区块链技术代替传统的主从架构，可以提高联邦学习（federated learning，FL）的安全性.然而，现有工作中，模型参数验证与数据持久化所产生的巨大通信成本和存储消耗，已经成为数据联邦中亟待解决的问题.针对上述问题，设计了一种高效的去中心化联邦学习框架（efficient decentralized federated learning framework，EDFL），能够降低存储开销，并显著提升FL的学习效率.首先，提出了一种基于贡献度证明（proof-of-contribution）的共识机制，使得区块生成者的选举基于历史贡献度而不采用竞争机制，从而有效发避免了挖矿过程产生的区块生成延迟，并以异步方式缓解模型参数验证中的阻塞问题；其次，提出了一种角色自适应激励算法，因为该算法基于节点的工作强度和EDFL所分配的角色，所以能够激励合法节点更积极地进行模型训练，并有效地识别出恶意节点；再者，提出一种区块链分区存储策略，使得多重局部修复编码块（local reconstruction code）可被均匀地分布到网络的各个节点上，进而降低节点的本地存储代价，并实现了较高的数据恢复效率；最后，在真实的FEMNIST数据集上，对EDFL的学习效率、存储可扩展性和安全性进行了评估.实验结果表明，EDFL在以上3个方面均优于主流的基于区块链的FL框架.

来源：2023年第3期

《软件学报》期刊编辑部

查看软件学报杂志2023年第3期