【论文】论文搜集+摘要翻译

通过利用区块链，这封信提出了一种区块链联邦学习（BlockFL）架构，在该架构中可以交换和验证本地学习模型更新。通过利用区块链中的共识机制，这使得无需任何集中训练数据或协调即可进行设备上机器学习。此外，我们分析了BlockFL的端到端延迟模型，并通过考虑通信，计算和共识延迟来描述最佳块生成速率。

2.【Decentralized Privacy Using Blockchain-Enabled Federated Learning in Fog Computing】

作为云计算的扩展和物联网的基础，雾计算正在迅速发展，因为它有潜力缓解一些麻烦的问题，例如网络拥塞，延迟和本地自治。但是，隐私问题和随后的低效率正在拖延雾计算的性能。现有的大多数作品在遭受中毒袭击时，几乎不会考虑它们之间的合理平衡。为了解决上述问题，我们提出了一种新颖的启用了区块链的联邦学习（FL-Block）方案，以缩小差距。FL-Block允许使用基于区块链的全球学习模型对终端设备交换进行本地学习更新，该模型已被矿工验证。在此基础上，FL-Block通过使用区块链的工作量证明共识机制，无需任何集中权限即可实现自主机器学习，以维护全局模型并进行协调。此外，我们分析了FL-Block的延迟性能，并通过考虑通信，共识延迟和计算成本进一步推导了最佳的块生成速率。广泛的评估结果从隐私保护，效率和抵抗中毒攻击方面展示了FL-Block的出色性能。

3.【Federated Learning With Blockchain for Autonomous Vehicles: Analysis and Design Challenges】

我们提出了一种基于自治的基于区块链的联邦学习（BFL）设计，用于感知隐私和高效的车辆通信网络，其中以分布式方式交换和验证本地车载机器学习（oVML）模型更新。BFL通过利用区块链的共识机制，无需任何集中的培训数据或协调即可启用oVML。依靠更新奖励的方法，我们开发了一个数学框架，该框架具有可控制的网络和BFL参数（例如，重传限制，块大小，块到达率和帧大小），以便捕获它们对系统级的影响性能。更重要的是，我们对oVML系统动力学的严格分析量化了BFL的端到端延迟，通过考虑通信和共识延迟，可以为得出最佳块到达率提供重要见解。我们提供了各种数值和模拟结果，重点介绍了自适应BFL设计的各种重要发现和见解。尤其是，基于分析结果，我们通过利用信道动力学来最大程度地降低系统延迟，并证明所提出的调整块到达速率的想法可证明是在线的，并且能够将系统动力学驱动到所需的工作点。对于给定的一组通道条件，重传限制和帧大小，它还标识出对其他区块链参数的改进依赖性。我们提供了各种数值和模拟结果，重点介绍了自适应BFL设计的各种重要发现和见解。尤其是，基于分析结果，我们通过利用信道动力学来最大程度地降低系统延迟，并证明所提出的调整块到达速率的想法可证明是在线的，并且能够将系统动力学驱动到所需的工作点。对于给定的一组通道条件，重传限制和帧大小，它还标识出对其他区块链参数的改进依赖性。我们提供了各种数值和模拟结果，重点介绍了自适应BFL设计的各种重要发现和见解。尤其是，基于分析结果，我们通过利用信道动力学来最大程度地降低系统延迟，并证明所提出的调整块到达速率的想法可证明是在线的，并且能够将系统动力学驱动到所需的工作点。对于给定的一组通道条件，重传限制和帧大小，它还标识出对其他区块链参数的改进依赖性。但是，为了实现这些变化，需要解决许多挑战（知识差距）。特别是，我们确定了需要进一步调查的关键瓶颈挑战，并提供了未来的潜在研发方向。

这项工作的早期版本已被接受在IEEE WCNC Wksps 2020 [1]中进行介绍。

▲4.【Blockchain and Federated Learning for Privacy-Preserved Data Sharing in Industrial IoT - IEEE Journals & Magazine】

工业物联网范例中从连接的设备生成的数据量的快速增长，为通过数据共享提高新兴应用程序的服务质量开辟了新的可能性。但是，安全和隐私问题（例如，数据泄漏）是数据提供商在无线网络中共享其数据的主要障碍。私有数据的泄漏可能会导致严重的问题，其损失的价值可能超出提供商的财务损失。在本文中，我们首先为分布式多方设计了一种支持区块链的安全数据共享架构。然后，我们通过合并保留隐私的联邦学习，将数据共享问题表述为机器学习问题。通过共享数据模型而不是揭示实际数据，可以很好地维护数据的隐私。最后，我们将联邦学习整合到许可区块链的共识过程中，以便共识计算也可以用于联邦培训。从现实世界的数据集获得的数值结果表明，所提出的数据共享方案具有良好的准确性，高效率和增强的安全性。

5.【Blockchain Empowered Asynchronous Federated Learning for Secure Data Sharing in Internet of Vehicles】

在车联网（IoV）中，车辆之间的数据共享以进行协作分析可以改善驾驶体验和服务质量。但是，带宽，安全性和隐私问题阻碍了数据提供者参与数据共享过程。此外，由于IoV中的通信间歇性且不可靠，因此需要进一步提高数据共享的可靠性和效率。在本文中，我们提出了一种基于联邦学习的新架构，以减轻传输负载并解决提供商的隐私问题。为了提高模型参数的安全性和可靠性，我们开发了一种混合区块链架构，该架构由许可区块链和本地有向无环图（DAG）组成。此外，我们通过采用深度强化学习（DRL）进行节点选择来提出异步联邦学习方案，以提高效率。通过将学习的模型集成到区块链中并执行两阶段验证，也可以确保共享数据的可靠性。数值结果表明，提出的数据共享方案提供了更高的学习准确性和更快的收敛速度。

6.【Towards Blockchain-Based Reputation-Aware Federated Learning】

联邦学习（FL）是协作机器学习（ML）技术，通过该技术，设备可以在保留其个人数据集的同时共同训练和更新共享的ML模型。FL系统解决了通信效率，带宽优化和隐私保护的问题。尽管FL具有潜在的好处，但所有设备之间的集中式共享ML模型仍可产生粗粒度的预测，从本质上讲，在涉及个性化预测服务的许多应用领域中并不需要该预测。在本文中，我们提出了一种细粒度FL的新概念，以分散边缘服务器上的共享ML模型。然后，我们提出了移动边缘计算系统中细粒度FL过程的正式扩展定义。此外，我们定义了细粒度FL系统的核心要求，包括个性化，分散化，细粒度的FL，激励机制，信任，活动监控，异构性和上下文感知，模型同步以及通信和带宽效率。此外，我们提出了基于区块链的信誉感知细粒度FL的概念，以确保在移动边缘计算系统中进行值得信赖的协作培训。最后，我们对提出的方法与最新的相关工作进行了定性比较，并发现了一些有希望的初步结果。

7．【A Blockchain-based Decentralized Federated Learning Framework with Committee Consensus】

联邦学习已被广泛研究并应用于各种情况。在移动计算方案中，联邦学习可保护用户免于暴露其私有数据，同时针对各种现实应用程序协同培训全局模型。但是，由于恶意客户端或中央服务器不断攻击全局模型或用户隐私数据，联邦学习的安全性受到越来越多的质疑。为了解决这些安全问题，我们提出了一种基于区块链的去中心化联邦学习框架，即具有委员会共识（BFLC）的基于区块链的联邦学习框架。该框架使用区块链进行全局模型存储和本地模型更新交换。为了实现提议的BFLC，我们还设计了一种创新的委员会共识机制，可以有效减少共识计算量，减少恶意攻击。然后，我们讨论了BFLC的可伸缩性，包括理论安全性，存储优化和激励措施。最后，我们使用实际数据集进行了实验，以验证BFLC框架的有效性。

8. 【Resource Management for Blockchain-enabled Federated Learning: A Deep Reinforcement Learning Approach】

支持区块链的联邦学习（BFL）使移动设备能够协作训练机器学习模型所有者（MLMO）所需的神经网络模型，同时将数据保留在移动设备上。然后，将模型更新以分散和可靠的方式存储在区块链中。但是，BFL的问题在于移动设备具有能源和CPU限制，这可能会缩短系统寿命和训练效率。另一个问题是训练延迟可能由于区块链挖掘过程而增加。为了解决这些问题，MLMO需要（i）确定移动设备用于训练的数据和能量的数量，以及（ii）确定块生成率以最大程度地减少系统延迟，能耗和激励成本，同时实现模型的目标精度。在BFL环境的不确定性下，MLMO确定最佳决策具有挑战性。我们建议使用深度强化学习（DRL）来得出MLMO的最佳决策。

9. 【Blockchain-Federated-Learning and Deep Learning Models for COVID-19 detection using CT Imaging】

随着全球COVID-19病例的增加，需要一种有效的方法来诊断COVID-19病人。诊断COVID-19病人的主要问题是检测工具的短缺，由于该病毒迅速传播，因此从业人员正面临鉴定阳性病例的困难。现实中的第二个问题是要在全球各医院之间共享数据，同时要注意组织的隐私问题。为了解决在不泄漏数据隐私的情况下建立协作网络模型的问题，这是训练深度学习模型的主要问题，本文提出了一个框架，该框架从不同来源（各家医院）收集大量数据并训练深度学习通过分散网络建立模型，以获取有关COVID-19患者的最新信息。本文的主要目标是使用新颖和最新的数据来提高对全局深度学习模型的识别，并从这些数据中学习自身，以基于计算机断层扫描（CT）切片提高对COVID-19患者的识别。此外，区块链与联合学习技术的集成可从不同医院收集数据，而不会泄漏数据的隐私性。首先，我们收集向研究团体开放的现实生活中COVID-19患者的数据。其次，我们使用各种深度学习模型（VGG，DenseNet，AlexNet，MobileNet，ResNet和Capsule Network）通过COVID-19患者的肺部筛查识别模式。第三，通过联合学习和区块链的集成，安全地在各个医院之间共享数据。最后，我们的结果证明了检测COVID-19患者的更好性能。

10. 【Scalable and Communication-efficient Decentralized Federated Edge Learning with Multi-blockchain Framework】

新兴的联邦边缘学习（FEL）技术引起了相当大的关注，它不仅确保了良好的机器学习性能，而且还解决了由于数据隐私问题而引起的“数据岛”问题。但是，大规模的FEL仍面临以下关键挑战：（1）缺乏针对FEL的安全且通信有效的模型训练方案；（2）没有可更新且灵活的FEL框架来更新本地模型和全局模型共享（交易）管理。为了弥合差距，我们首先提出了一个具有区块链能力的安全FEL系统，该系统具有由主链和子链组成的分层区块链框架。通过单独管理本地模型更新或模型共享记录以实现性能隔离，此框架可以实现可扩展且灵活的分散式FEL。然后，设计一个验证证明共识方案，以分散和安全的方式删除低质量的模型更新并管理合格的模型更新，从而实现安全的FEL。为了提高基于区块链的FEL的通信效率，设计了一种梯度压缩方案来生成稀疏但重要的梯度，以在不影响准确性的情况下减少通信开销，并进一步加强训练数据的隐私保护。安全分析和数值结果表明，所提出的方案可以实现安全，可扩展和通信高效的分散式FEL。为了提高基于区块链的FEL的通信效率，设计了一种梯度压缩方案来生成稀疏但重要的梯度，以在不影响准确性的情况下减少通信开销，并进一步加强训练数据的隐私保护。安全分析和数值结果表明，所提出的方案可以实现安全，可扩展和通信高效的分散式FEL。为了提高基于区块链的FEL的通信效率，设计了一种梯度压缩方案来生成稀疏但重要的梯度，以在不影响准确性的情况下减少通信开销，并进一步加强训练数据的隐私保护。安全分析和数值结果表明，所提出的方案可以实现安全，可扩展和通信高效的分散式FEL。

[×]11. 【Blockchain-based Federated Learning for Failure Detection in Industrial IoT】

联邦学习是一种新兴的保护隐私的机器学习范例，已引起了工业物联网（IIoT）社区的极大兴趣。区块链最近已在IIoT联邦学习中得到利用，以提供数据完整性和激励机制，以吸引足够的客户端数据和计算资源进行培训。但是，缺乏针对基于区块链的联邦学习系统的系统架构设计，以支持方法开发并解决IIoT故障检测中数据异构性的挑战。此外，当前的解决方案未考虑区块链的激励机制设计和可扩展性问题。因此，在本文中，我们提出了一种用于IIoT中故障检测的基于区块链的联邦学习系统的平台架构。为了解决IIoT故障检测中的数据异质性问题，我们提出了一种新颖的质心距离加权联邦平均（CDW \ _FedAvg）算法，其中考虑了每个客户端数据集的正类与负类之间的距离。为了以可扩展的方式实现客户端数据的可验证完整性，每个客户端服务器会定期创建一个Merkle树，其中每个叶节点代表一个客户端数据记录，并将树根存储在区块链上。基于在本地模型训练中使用的客户数据的大小，设计了一种链上激励机制，以准确，及时地计算每个客户的贡献。与我们的行业合作伙伴一起实施了建议架构的原型，并在可行性，准确性和性能方面进行了评估。

▲12．【Blockchain-based Node-aware Dynamic Weighting Methods for Improving Federated Learning Performance】

联邦学习（FL）是一种分散式学习方法，与传统的集中式学习有所不同。 FL在每个设备上本地进行学习，并通过与中央服务器的交互逐步改善学习模型。但是，由于通信带宽有限和大量用户的参与，它可能导致网络过载。最小化网络负载的方法之一是使模型以目标学习精度快速稳定地收敛。在本文中，我们提出了基于区块链的联邦学习场景。区块链可以有效地促使用户参与学习，并且可以将每个参与的用户分隔为一个“节点”。另外，可以追求完整性，稳定性等。我们考虑两种类型的权重来选择要更新全局模型的客户子集。首先，我们根据每个客户的本地学习准确性来考虑权重。其次，我们根据每个客户的参与频率来考虑权重。我们选择两个关键性能指标，学习速度和标准偏差，以将我们提出的方案与现有方案的性能进行比较。仿真结果表明，与其他算法相比，本文提出的方案具有较高的稳定性，并且收敛速度快，可以达到目标精度。

▲13.【FLchain: Federated Learning via MEC-enabled Blockchain Network】

在本文中，我们提出了一种基于区块链网络的架构，称为“ FLchain”，以增强联邦学习（FL）的安全性。我们利用通道的概念来学习FLchain上的多个全局模型。每次全局迭代的局部模型参数作为块存储在特定于通道的分类帐中。我们介绍了“全局模型状态Trie”的概念，该概念基于从移动设备收集的本地模型更新的聚集在区块链网络上存储和更新。定性评估表明，FLchain比传统的FL方案更健壮，因为它可以确保来源并以不变的方式维护FL模型的可审核方面。

14．【FLChain: A Blockchain for Auditable Federated Learning with Trust and Incentive】

Google最近提出的联邦学习（简称FL）是一种集成了分布式数据培训师的隐私保护方法。由于FL具有确保隐私，降低延迟，降低功耗和更智能的模型的功能，因此非常有用，但是如果多个培训师中止培训或向其合作伙伴发送格式错误的消息，则FL可能会失败。此类异常行为不可审核，并且由于单点故障，参数服务器可能计算不正确。此外，FL没有动机吸引足够的分布式训练数据和计算能力。在本文中，我们提出FLChain以信任和激励的方式构建一个去中心化，可公共审计且健康的FL生态系统。FLChain取代了传统的FL参数服务器，其计算结果必须在链上是一致的。当对分散的培训师而言足够重要且难以给予激励和威慑时，我们的工作并非微不足道。我们通过为协作培训模型提供健康的市场来实现模型商业化。诚实的培训者可以根据受过良好训练的模型的贡献来获得相当分散的利润，恶意软件可以被及时发现并受到严惩。为了减少错误行为检测和模型查询的时间成本，我们设计了DDCBF来加速对区块链文档信息的查询。最后，我们实现了工作原型，并衡量了各种运营成本。诚实的培训者可以根据受过良好训练的模型的贡献来获得相当分散的利润，恶意软件可以被及时发现并受到严惩。为了减少错误行为检测和模型查询的时间成本，我们设计了DDCBF来加速对区块链文档信息的查询。最后，我们实现了工作原型，并衡量了各种运营成本。诚实的培训者可以根据受过良好训练的模型的贡献来获得相当分散的利润，恶意软件可以被及时发现并受到严惩。为了减少错误行为检测和模型查询的时间成本，我们设计了DDCBF来加速对区块链文档信息的查询。最后，我们实现了工作原型，并衡量了各种运营成本。

[×]15.【Mechanism Design for An Incentive-aware Blockchain-enabled Federated Learning Platform】

最近的技术发展使用户移动设备可以进行人工智能（AI）模型训练，从而加快了去中心化大数据分析的速度。尤其是，联邦学习（FL）是实现分散式AI模型更新而无需用户隐私披露的关键推动力。然而，由于不能监视被分配了培训任务的工人的行为，因此现有技术方法需要特殊的硬件和/或加密来迫使工人诚实行事，这阻碍了实现。此外，尽管已提出启用区块链的FL给工人奖励，但尚未讨论任何严格的奖励政策设计。在本文中，为了解决这些问题，我们提出了一种使用机制设计的新颖方法，这是一种在参与者采取合理行动的情况下实现预期目标的经济方法。关键思想是引入对FL的反复竞争，以使任何理性的工人都能遵循协议并最大限度地提高他们的利润。通过机制设计，我们为公共区块链上的FL提供了通用的成熟协议设计。我们还从理论上阐明了基于竞争理论的激励相容性，竞争理论是经济学中基于拍卖的博弈论。

▲16.【Poster: A Reliable and Accountable Privacy-Preserving Federated Learning Framework using the Blockchain】

联邦学习（FL）在支持涉及大型数据集，大规模分布的数据所有者和不可靠的网络连接的协作学习应用程序方面很有前途。为了保护数据隐私，现有的FL方法基于对客户端的半诚实假设，采用（k，n）个阈值秘密共享方案，以在本地模型更新交换中实现安全的多方计算，从而以成本为代价处理随机的客户端丢失。增加数据量。这些方法对客户端采用半诚实的假设，因此它们容易受到恶意客户端的攻击。在这项工作中，我们提出了一种基于区块链的隐私保护联邦学习（BC基于PPFL）框架，该框架利用了区块链的不变性和分散的信任属性来提供模型更新的来源。

17.【Record and Reward Federated Learning Contributions with Blockchain】

尽管“联邦学习”允许参与者在不泄露其本地数据的情况下提供其本地数据，但它面临着数据安全性以及向参与者正确支付高质量数据贡献方面的问题。在本文中，我们提出了一个EOS区块链设计和工作流程来建立数据安全性，这是一种新颖的基于验证错误的指标，我们可以根据该指标对梯度上传进行资格认定，并实现了我们的区块链联邦学习模型的一个小示例来分析其性能。

▲18.【Privacy-Preserving Blockchain-Based Federated Learning for IoT Devices】

家电制造商努力从用户那里获得反馈，以改善其产品和服务，以构建智能家居系统。为了帮助制造商开发智能家居系统，我们设计了一种利用信誉机制的联邦学习（FL）系统，以帮助家用电器制造商根据客户的数据训练机器学习模型。然后，制造商可以预测未来的客户需求和消费行为。系统的工作流程包括两个阶段：在第一阶段，客户使用移动电话和移动边缘计算（MEC）服务器来训练制造商提供的初始模型。客户使用电话从各种家用电器中收集数据，然后他们使用本地数据下载并训练初始模型。导出本地模型后，客户在其模型上签名并将其发送到区块链。如果客户或制造商是恶意的，我们使用区块链来代替传统FL系统中的集中式聚合器。由于区块链上的记录不受篡改，因此可以追踪恶意客户或制造商的活动。在第二阶段，制造商选择客户或组织作为矿工，以使用从客户那里收到的模型来计算平均模型。众包任务结束时，一名矿工被选为临时负责人，将模型上传到区块链。为了保护客户的隐私并提高测试准确性，我们对提取的特征实施了不同的隐私保护，并提出了一种新的规范化技术。我们通过实验证明，当特征处于差分隐私保护下时，我们的归一化技术优于批量归一化。此外，为了吸引更多的客户参与众包FL任务，我们设计了一种激励机制来奖励参与者。

19.【BAFFLE : Blockchain Based Aggregator Free Federated Learning】

联邦学习（FL）的一个关键方面是要求中央聚合器存储和更新全局模型。但是，在许多情况下，由于众多操作限制，对集中式聚合器进行编排可能是不可行的。在本文中，我们介绍了BAFFLE，这是一种无聚合器，由区块链驱动的FL环境，其本质上是分散的。BAFFLE利用智能合约（SC）来存储模型的全局副本，将FL机制划分为不同的回合，并汇总局部模型，并在每个回合之后更新全局副本。BAFFLE通过首先将全局参数空间分解为不同的块，然后采用新颖的评分和出价策略，从而显着降低了区块链上的计算成本，从而提高了计算性能。为了验证我们的主张，我们使用有关以太坊网络的案例研究进行了广泛的实验，并演示了BAFFLE的计算效率和可扩展性。此外，我们的结果还表明，BAFFLE除了将基于区块链的分散化的计算开销降至最低之外，还提供与集中式和传统FL同类产品类似的性能。

20. 【A blockchain-orchestrated Federated Learning architecture for healthcare consortia】

我们提出了一种用于医疗保健联盟中的联邦学习的新颖体系结构。该解决方案的核心是隐私保护技术的独特集成，该技术基于以太坊生态系统中可用的本地企业区块链组件。我们展示了医疗保健联邦体的具体特征和挑战如何影响我们的设计选择，尤其是新的安全聚合协议的概念，该协议由受保护的硬件组件和以太坊固有的加密工具包组装而成。我们的体系结构还引入了一个保护隐私的审核跟踪，该跟踪记录了网络中的事件，而不会泄露身份。

21.【Privacy-Preserving Blockchain Based Federated Learning with Differential Data Sharing】

对于当今世界，数据已成为最有价值的资产之一，扎根于网络和应用程序基本基础结构的强大数据隐私策略正变得越来越需要保护敏感用户数据。在适当的时候，随着侵犯用户隐私的更新统计技术的不断发展，具有针对用户隐私构建的算法的机器学习模型可以提供动态自适应的解决方案，以保护用户隐私免受数据集创建的指数级增长的多维关系的影响。在联邦学习生态系统的核心中使用这些具有隐私意识的ML模型，可使整个网络以分散的方式从数据中学习。通过利用移动设备不断增长的计算能力，不断提高的网络可靠性和IoT设备革新了智能设备行业，并将其与由区块链网络支持的安全且可扩展的全球学习会议结合在一起，并能够确保设备上的隐私，我们允许任何支持Internet的设备参与并贡献数据使用区块链技术的全球隐私保护数据共享网络，甚至允许网络奖励优质工作。该网络体系结构也可以建立在以太坊和Hyperledger等现有区块链网络的基础上，这甚至使小型初创企业也可以构建企业级分散式解决方案，从而使任何人都可以从公司不同部门的数据中学习，一直到数千个参与其中的设备学习。全球同步学习网络。并将其与由区块链网络支持的安全且可扩展的全球学习会议相结合，并能够确保设备上的隐私，我们允许任何支持Internet的设备参与并使用区块链技术为全球隐私保护，数据共享网络贡献数据甚至允许网络奖励高质量的工作。该网络体系结构也可以建立在以太坊和Hyperledger等现有区块链网络的基础上，这甚至使小型初创企业也可以构建企业级分散式解决方案，从而使任何人都可以从公司不同部门的数据中学习，一直到数千个参与其中的设备学习。