Blockchain Assisted Federated

Learning Over
Wireless Channels: Dynamic
Resource
Allocation and Client Scheduling
Xiumei Deng , Student Member, IEEE, Jun Li , Senior Member, IEEE, Chuan Ma , Member,
IEEE,
Kang Wei , Graduate Student Member, IEEE, Long Shi , Senior Member, IEEE,
Ming Ding , Senior Member, IEEE, Wen Chen , Senior Member, IEEE,
and H. Vincent Poor , Life Fellow, IEEE
Contribuições
• Propõe uma rede BFL onde o cliente pode ser um treinador para seu modelo
local ou um minerador para o modelo global
• Cliente transmite o modelo treinado para outros, agrega os outros que recebe e compete
para minerar um bloco sem a intervenção de qualquer rede blockchain de terceiros
• Estuda uma rede BFL sem fio onde o modelo de comunicações entre clientes
diferentes ocorrem através de fading channels sem fio
• Propõe um protocolo de escalonamento para alcançar os requisitos de latência no FL,
onde os cliented com condições qualificadas de canal são escalonados para treinar seus
modelos em cada round de comunicação
• Os resultados experimentais mostram que o algoritmo proposto pode garantir a
estabilidade do consumo de energia médio a longo prazo, além de que alcança
melhor acurácia do que as estratégias de escalonamento de cliente comparadas.
 Modelo do Sistema
• Rede BFL consiste em N clientes
• Cada cliente carrega um dataset local
• Integração do treinamento e
mineração no lado do cliente
• Os papéis dos clientes incluem
treinamento local de modelos,
transmissão de modelos, e
mineração de blocos
Fluxo de cada round de comunicação:
• Passo 1 (Escalonamento dos Clientes para • Passo 3 (Agregação Global e Mineração de • Passo 4 (Verificação de Bloco e Atualização do
Treinamento e Treinamento dos Modelos Locais): blocos): Cada cliente agrega os sets de Modelo Global): O campeão da mineração
Um grupo de clientes treinadores é selecionado parâmetros verificados, e depois adiciona- propaga o novo bloco para a rede inteira. Ao
para treinamento do modelo local; os ao seu bloco candidato. Com o receber o novo bloco, cada cliente N valida o
• Passo 2 (Transmissão do Modelo Local e Verificação mecanismo PoW, todos os clientes novo bloco ao comparar os parâmetros do
Cruzada): Os clientes treinadores criptografam seus competem para trocar seu nonce e o hash modelo no novo bloco com os armazenados
localmente. O novo bloco é anexado ao
parâmetros locais do modelo com suas assinaturas do cabeçalho do bloco. O primeiro cliente
blockchain se puder ser verificado pela
digitais únicas e troca os parâmetros com os a achar um nonce válido é o vencedor, e é maioria dos clientes. Finalmente, cada cliente
outros. Depois, todos os clientes de N verificam as autorizado a adicionar seu bloco atualiza os parâmetros locais com os globais
assinaturas associadas com cada set de parâmetros candidato ao blockchain; no novo bloco para o próximo round.
de modelos locais, e os armazenam localmente;
Modelo do Sistema
• Treinamento de modelo local e mineração de bloco do lado do cliente
têm o objetivo de mitigar as ameaças em potencial de vazamento de
privacidade e adulteração de dados por agentes maliciosos de uma
rede blockchain de terceiros, das quais outras propostas BFL
existentes dependem para agregação descentralizada do modelo
global:
• Ataque de inversão de modelo: recuperação de dados brutos a partir dos
modelos locais coletados;
• Ataque de adulteração de dados: Agentes maliciosos da rede de terceiros
podem manipular a agregação ao adulterar as atualizações dos modelos
locais.
Modelo do Sistema – Escalonamento dos Clientes
de Treino e Treinamento do Modelo Local