基于区块链的联邦自监督学习轻量化防御方法：提升对抗环境下的模型鲁棒性

本文提出了一种创新的BCH-FedSSL方法，将区块链技术融入联邦自监督学习（FedSSL）框架，通过去中心化模型聚合机制有效抵御随机权重投毒攻击（RWPA）。实验表明，该方法在CIFAR-10/100和Fashion-MNIST数据集上实现了30%、27%和31%的准确率提升，为构建安全可扩展的分布式学习系统提供了新思路。

　　

Highlight

本研究的创新贡献可总结如下：

• 首次将联邦学习（FL）与自监督学习（SSL）整合到统一神经网络架构中，提出新型结构

• 设计随机权重投毒攻击（RWPA）方法模拟客户端本地模型权重篡改

• 提出基于区块链的轻量化防御方案（BCH-FedSSL），显著提升网络对抗攻击性能

• 在IID数据分布下，使用CIFAR-10/100和Fashion-MNIST数据集验证方案有效性，对抗攻击时准确率分别提升30%、27%和31%

Conclusion and Future Works

本研究通过融合FL与SSL构建FedSSL框架，针对RWPA攻击提出创新的BCH-FedSSL防御方案。该方案利用区块链技术去中心化聚合过程，建立恶意更新检测机制，使FedSSL系统在对抗攻击中的鲁棒性获得显著提升。未来将探索非IID数据场景下的应用拓展及算法优化。

（注：根据要求已去除文献引用标识，专业术语保留英文缩写并采用生命科学领域表述风格，如"鲁棒性"对应"robustness"等）