【论文】【BFLC】 A Blockchain-based Decentralized Federated Learning Framework with Committee Consensus

中山大学研究团队2020提出基于区块链委员会机制的联邦学习系统（BFLC）。

主要贡献：
1、减少共识计算量
2、抵抗恶意攻击
并讨论了BFLC的扩展性（理论安全、存储优化、激励机制）

============ 【1】FL（C/S）

中央服务器功能：执行更新聚合并广播（要求网络高带宽）、客户端节点选择、全局模型的维护
存在的问题：服务器稳定性受服务器提供商影响、偏向某些客户端导致模型倾斜、服务器恶意投毒或从模型更新中收集用户隐私数据；
解决思路: 去掉中央服务器，使用分布式节点代替—>区块链(分布式数据库)

============ 【2】BFL（Blockchain + FL）

【BAFFLE】：使用区块链存储和共享模型，设计协议使得模型聚合在本地节点进行，缺点是全节点参与共识，计算量过大；
【PIRATE】：社区内共识，社区间利用AllReduce协议来传输和更新模型，缺点是需要同时维护多个区块链不利于模型共享，且一个社区中的节点很难获取其他社区的模型和更新记录，针对某社区集体作恶情况需要一个辅助的全局检测机构。

待解决问题
1、共识效率低下
2、区块链存储压力大

============ 【3】BFLC（本论文）

【3.1】基于联盟链（节点准入控制）；

【3.2】新的区块链存储模型（models块和updates块），必要情况下可舍弃历史节点以换取更多存储空间；

• model block = block-header + round-t + global-model
• update block = block-header + round-t + local-update + uploader-address + update-score
• 节点存储不足时可以删除本地的历史区块，仅保留当前轮的模型块和更新块----区块链的可信性降低，可借助可信第三方存储结构，区块中仅存储更新或模型的存储地址和操作记录。

【3.3】委员会共识机制（更少的校验计算量+恶意攻击下的稳定性）；

系统节点（训练节点N + 委员会节点M），本轮的验证得分高的成为下一轮的委员会节点；若某一轮的恶意节点被委员聚合，则说明本轮有大于M/2个委员会集体作恶，而本轮的委员会是上一轮得分高的节点，说明上一轮有大于M/2个委员会集体作恶，以此类推只要第一轮的委员会节点中有超过M/2个可信节点，恶意节点则无法进入系统。

【3.4】实验证明BFLC的有效性和抗恶意攻击性；

系统节点A个，恶意节点占比q ，委员会数量占比 p，也即恶意节点Aq个，委员会节点Ap个，攻击目标是占据委员会的超一半席位，也即 A*q > A * p / 2 ,由图分析，只有当恶意节点占比超过50%时，攻击成功率才会显著大于0，

【3.5】激励机制：基于贡献（准入费 + 按更新得分分配奖励）；

【3.6】System Security–实施性有待验证

• 实验：FISCO BCOS，AlexNet，对比系统Basic FL和CwMed；
• 恶意攻击是带有逐点高斯噪声的随机扰动（直接库函数skimage）；
• 假设恶意节点时串通的，恶意委员会会给予恶意节点以随机高分（90-100）;
• 系统最开始根据恶意节点比例q设定哪些是恶意节点，恶意训练节点在上传更新时加上高斯噪音，而恶意委员会节点在收到恶意更新时给与随机高分，测试随着恶意节点占比的增加，模型最终准确度的变化。

============ 【4】BRFL（专利）

动态多权重信誉模型确定目标委员会

【4.1】委员会和工作节点间的互动效应值；

• 互动次数
• 正相互作用x和负相互作用y的权重值（x<=y,且x+y = 1）
• 根据模型更新的验证结果确定互动方向(正或负)

【4.2】委员会和工作节点间的互动新鲜度；

• 工作者的可信赖度随着时间而动态变化，

【4.3】委员会对工作节点更新的平均验证分数AVS；

• 委员会对本地更新打分，低于阈值的更新将被拒绝

【4.4】 根据信誉得分FPS 评选下一轮委员会节点

• b_{i->j}^{t_y} 表示委员会 i 对工作节点 j 在时间段t_y 的表现表示相信,由包传输成功率 和正负向互动次数决定；
• u_{i->j}^{t_y} = 1 - q_{i->j}^{t_y}表示委员会 i 对工作节点 j 在时间段t_y 的表现表示不相信,由包传输成功率q_{i->j}^{t_y} 和正、负向互动次数决定；

【4.5】对比实验：Basic FL、CwMed、BFLC和BRFL