联邦学习-区块链论文笔记：Blockchain and Federated Learning for Privacy-Preserved Data Sharing in Industrial IoT

• 链接：

IEEE Xplore Full-Text PDF:​ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=8843900

• 作者：Yunlong Lu （北京邮电大学团队）
• Motivation：

1）构建一联邦学习模型，不分享本地数据；
2）提出了一种新的区块链授权协作架构，通过分布式多方共享数据，降低数据泄漏风险，数据所有者可以进一步控制共享数据的访问；
3）将差异化隐私融入到联邦学习中，进一步保护数据隐私。 

• Idea：

1）本文采用的是 permissioned blockchain区块链结构，每个block里面记录的transaction包括两个部分：检索transaction和分享transaction；
2）每个新的node想要加入，分配唯一ID，并且提供其数据类型等各方面信息。通过数据分类等信息将其划分为不同community，方便进行federated learning；
3）数据requester不仅是提供request序列，同时还提供相应的input，我们模型仅输出input通过模型的结果，而非模型本身；
4）共识机制变为PoQ（quality）根据联盟链内委员节点测试模型的accuracy来决定其是否成为leader，从而具有新的block生成权；
5）根据machine learning differential privacy策略加密本地节点生成的gradient，保证数据隐私安全。 

• Thoughts：

既然都已经用了分布式多方检索数据策略，那么应该可以继续用这个来保证模型信息隐私。谁用了或者说请求了什么数据，都会被记录，什么时间什么人访问了。。。 并且打上标签，只要谁调用拿出去泄露了，立马能查到。

---

插播一点广告，如果也有做联邦学习+区块链，或者是隐私保护计算这块，热烈欢迎交流！！！