一种基于区块链和全同态加密的边缘联邦学习隐私保护方法

针对边缘联合学习存在的单点故障风险高、隐私保护弱、抗中毒攻击差等问题，提出一种基于区块链和全同态加密的边缘联合学习隐私保护方案。利用区块链技术结合CKKS对计算参数加密，降低隐私泄露风险，为边缘联合学习赋予防篡改、抗单点故障和数据可追溯性等功能。同时，设计一种识别模型梯度参数更新的无监督机制，以历史模型梯度参数更新一致性为基。该机制可有效检测恶意更新，提高聚合模型准确性。实验表明，此方法能抵御70%恶意边缘服务器的中毒攻击，提供隐私保护、透明模型聚合和抗单点故障能力，且实现较高模型准确性，满足边缘联合学习场景对安全性、准确性和可追溯性的严格要求，为边缘联合学习的安全高效开展提供有力保障。