《IEICE Transactions on Communications》:B-DMTFL: A practical and efficient framework of dynamic multi-tier federated learning based on blockchain
编辑推荐:
本文针对传统联邦学习(FL)中中心化聚合器单点失效、恶意攻击及区块链集成带来的效率瓶颈等问题,提出了一种集成信誉机制与动态多层策略的区块链联邦学习框架B-DMTFL。该框架通过动态分配节点角色、优化设备选择与共识效率,在保证模型精度的同时显著降低训练延迟,实验表明其在CIFAR-10等数据集上训练时间减少超70%,并在50%恶意节点干扰下仍保持稳定性能,为资源受限的边缘计算场景提供了高效安全的分布式学习方案。
随着人工智能在边缘计算场景的广泛应用,联邦学习(Federated Learning, FL)作为一种隐私保护的分布式机器学习范式受到广泛关注。然而,传统联邦学习依赖中心化聚合服务器的架构存在单点故障风险,且易受恶意客户端的投毒攻击(Poisoning Attacks)或搭便车行为(Free-riding)影响。更严峻的是,为提升安全性而引入的区块链技术往往因共识延迟(如工作量证明PoW)反而加剧了训练效率的瓶颈。在现实物联网(IoT)环境中,参与设备的算力差异、网络异构性以及恶意节点干扰,进一步制约了联邦学习的实际落地效果。
为解决上述问题,Dongcheng LI?a)、Junhan CHEN?b)、Youquan XIAN?+c)、Min ZHANG?d)和Peng LIU?e)在《IEICE Transactions on Communications》上发表题为"B-DMTFL: A Practical and Efficient Framework of Dynamic Multi-Tier Federated Learning Based on Blockchain"的研究,提出一种融合动态分层策略与信誉机制的区块链联邦学习框架。该框架通过设备预训练时间动态划分层级(Tier),结合可验证随机函数(Verifiable Random Function, VRF)与一致性哈希实现公平的聚合节点选择,并设计基于历史表现的信誉评分机制以抑制恶意行为。实验表明,B-DMTFL在CIFAR-10数据集上仅需682.66秒即可达到62.61%的准确率,较传统FedAvg方法提速71.39%,且在50%恶意节点比例下仍能维持稳定收敛。
关键技术方法包括:
- 1.
动态分层策略(Dynamic Tiering Strategy, DTS):通过预训练时间评估设备性能,将其划分为多个层级,并设置超时阈值动态调整参与节点;
- 2.
信誉共识机制(Reputation-based Consensus Mechanism, RCM):综合响应速度、训练时间、任务完成率与模型质量(以平均绝对误差MAE评估)计算信誉分,指导聚合节点选择;
- 3.
跨层设备选择:根据模型精度变化动态切换训练层级,平衡效率与收敛性;
- 4.
区块链集成:采用IPFS存储全局模型,结合VRF与PBFT共识实现去中心化验证与可追溯性。
4.1 联邦任务发布与参数初始化
任务发布者通过区块链记录初始全局模型IPFS地址与训练要求。设备生成公私钥对注册至联盟链,并通过K轮预训练计算平均训练时间avg,按公式i=100×(1-(avg-min(avg))/(max(avg)-min(avg)))初始化信誉分。
4.2 动态分层与超时机制
以预训练时间avg为依据,将设备划分为M个层级(Li∈[1,M]),超时阈值Dmaxi=min(γ×∑Tresponse/|dev_set[t]|, Θ)。若设备训练时间超过Θ则标记为掉队者(Straggler),需重新评估后方可复入训练流程。
4.3 跨层设备选择策略
首轮训练选择最高层级设备,后续轮次根据全局模型精度变化动态调整层级:若当前精度v低于前轮vlast且j<M,则j=j-1;反之则j=j+1。该策略通过层级切换避免模型漂移(Model Drift),提升设备利用率。
4.4 共识与聚合流程
聚合节点通过VRF(Hprevt-1, SK)生成随机哈希Houtt并验证Houtt/|Houtt|∈(0,0.5)以确定资格。本地模型经聚合节点验证(MAE计算)后,需获超2/3节点批准方可参与全局聚合,更新后的模型哈希存入区块链。
4.5 信誉分更新机制
每轮训练后,根据响应速度Ri=1-min(Tresponse/Tmax_response,1)、训练时间Ti=1-min(Ttrain/Tmax_train,1)、任务完成率Fi与模型质量Qi(基于MAE)动态更新信誉分Ei=αRi+βTi+γFi+δQi(权重α+β+γ+δ=1),并通过放大因子S调整最终分值。
5. 安全分析
B-DMTFL通过去中心化聚合节点与动态角色分配抵御单点故障;基于多节点验证的MAE阈值机制有效过滤拜占庭攻击(Byzantine Attacks);VRF随机选择与信誉惩罚机制抑制目标性攻击与搭便车行为。实验显示,在30%恶意节点下,B-DMTFL于Fashion-MNIST数据集仍保持80%以上准确率,而FedAvg等基线方法崩溃至10%。
6. 实验验证
在CIFAR-10、Fashion-MNIST和MNIST数据集上的测试表明:
- •
无恶意节点时,B-DMTFL训练速度显著优于FedAvg(CIFAR-10耗时减少71.39%);
- •
恶意节点比例升至50%时,B-DMTFL精度稳定在50%-70%,而对比方法均失效;
- •
动态分层与信誉机制分别贡献了效率提升与鲁棒性增强,其中MAE验证与层级切换策略是关键创新点。
结论与意义
B-DMTFL框架通过区块链与联邦学习的深度融合,实现了效率与安全性的协同优化。其动态设备管理、信誉驱动的共识设计以及跨层训练策略,为异构边缘环境下的分布式学习提供了实践范本。该研究不仅解决了传统FL的中心化脆弱性问题,更通过轻量级共识与分层优化突破了区块链性能瓶颈,对智能交通、工业物联网等实时性要求高的场景具有重要推广价值。