无线边缘网络中基于区块链的增强型联邦学习的资源管理

《Scientific Reports》：Resource management for blockchain enhanced federated learning in wireless edge networks

　　

摘要

尽管机器学习在无线边缘网络中得到了广泛应用，但原始数据的传输仍然存在安全性和隐私泄露的问题。联邦学习（FL）通过在不共享原始数据的情况下实现模型训练来解决这些隐私问题。然而，传统的集中式联邦学习容易受到单点故障的影响。基于区块链的联邦学习（BFL）技术可以为联邦学习提供一个更可靠、更安全的环境。在资源有限的无线边缘网络中，BFL系统会面临计算需求和网络传输开销方面的挑战。为了解决这些问题，我们提出了一种适用于无线边缘网络的BFL框架，该框架包括本地客户端训练、共识过程以及边缘服务器聚合。我们设计了一种客户端选择策略，用于排除可能降低训练效率和准确性的低质量客户端。此外，还实施了一种联合客户端选择和资源分配方案，以优化BFL训练和共识所需的计算资源和带宽资源分配。仿真结果表明，所提出的方法在提高BFL系统准确性的同时减少了延迟。