取消

联邦学习方案能否提高区块链技术的安全性与智能程度

区块链
    原标题:【人工智能特别是联邦学习用于提高区块链技术的安全性之探讨】来源:百家号
 
    随着物联网以及下一代无线通信技术的蓬勃发展,诸如自动驾驶路径规划、视频缓存等一系列旨在提升用户体验的应用应运而生。这些应用通常需要传输大量数据,并进行相应的计算处理,具有高速率、低时延等特征。但同时,这些应用的出现也对网络的时延、传输速率、能耗等提出了新的挑战。移动边缘计算通过将计算与存储下沉到网络边缘侧,缓解了计算与通信的压力,提升了应用性能表现。然而,由于参与方之间缺乏信任,以及用户对隐私性的持续关注,更为安全、可靠、智能的新方案亟待被提出。
 
联邦学习方案能否提高区块链技术的安全性与智能程度
 
    区块链凭借其匿名、不可篡改、分布式等特征,在多个不可信的参与方之间,提供了一种安全可靠的解决方案。当前区块链技术已经在众多前沿领域取得了广泛的应用。区块链的本质是一种分布式账本,其最大的特征,是由传统的中心化方案变为分布式网络结构,通过非对称加密等密码学技术确保链上数据的安全;同时,通过共识机制、智能合约等,在多个不可信的分布式参与方之间,保证链上数据的可靠性。
 
    而当前,区块链技术仍面临一些挑战。首先,是计算和认证的效率问题。为了达成各个分布式参与方之间的记录一致,区块链需要消耗大量额外的计算资源。传统的共识认证机制如工作量证明(Proof-of-Work,PoW)等,虽然提升了区块链的安全性,但高昂的计算开销也成为了制约区块链出块速度的瓶颈。如何提高区块链交易认证的效率,是提升区块链计算效率的关键。其次,是如何实现区块链智能化。智能合约的提出,拓宽了区块链的应用范围,然而智能合约的“智能”仍然有待进一步加强。如何基于区块链,实现网络的边缘智能,需要进一步的研究。
 
    目前,已经有一些研究将人工智能与区块链进行结合,用于无线网络中的资源分配、内容缓存等应用,以改善如前所述区块链所存在的问题。通过将区块链与人工智能相结合,在保留区块链安全可信的基础上,为系统赋予了人工智能的优化决策能力。但是,二者的结合也存在一些问题。首先,传统的机器学习算法依赖于一个中心化的数据集来训练模型,通常数据集越大,所训练的模型越准确。为此,服务器需要从用户侧收集很多数据,这增加了用户数据隐私泄露的风险。其次,如何获取更多的用户数据来训练更为精确的模型,还有待进一步研究。如何在分布式场景下,将区块链与人工智能更好地融合,以提升系统整体的安全性与智能程度,是未来研究需要考虑的问题。
 
 
    联邦学习是一种新兴的机器学习方案。与传统的集中式机器学习不同,联邦学习通过将训练任务下放到用户侧,仅将训练得到的模型参数结果发送给服务端,从而使数据保持在用户本地,保证了用户数据的隐私。此外,通过引入更多的用户参与,联邦学习可以整体上拓展训练数据集,从而提升总体模型的质量。由于联邦学习具有分布式、本地计算等特征,与区块链所具有的去中心化、分布式计算等特征有诸多相似之处,因此更适合与区块链相融合。此外,边缘计算与物联网技术的发展,也为联邦学习与区块链相融合在无线网络场景中的部署奠定了基础。然而,新技术的出现往往是一把“双刃剑”,联邦学习也不例外。联邦学习面临着一些挑战。
 
    首先是通信负载。联邦学习需要将迭代的传输训练参数上传至服务器,参与用户数目以及训练迭代数的增加,会带来大量的链路传输开销。其次是参与用户的互信问题。由于联邦学习的参与方来自不同的组织或机构,彼此之间缺少信任。如何在缺乏互信的场景下建立安全可靠的协作机制,是实际应用中亟待解决的问题。此外,联邦学习也面临一些安全风险。一方面,参与方所提供的参数缺乏相应的质量验证机制。恶意的参与用户可能会提供虚假的模型参数来破坏学习过程。如果这些虚假参数未经验证便聚合到整体模型中,会直接影响整体模型的质量,甚至会导致整个联邦学习过程失效。另一方面,参数在传输以及存储过程中的隐私性需要进一步保护加强。近期的一些研究表明,恶意的用户可以依据联邦学习梯度参数在每一轮中的差异,通过调整其输人数据逼近真实梯度,从而推测出用户的敏感数据。除了上述问题,联邦学习中参与用户的异构性、模型参数的聚合算法、用户通信链路的可靠性等,都值得进一步深入研究。

关键词: 区块链 区块链技术 联邦学习

免责声明:本文来自其他互联网媒体,版权归原作者所有,不代表阅财笔记网的观点和立场。

相关阅读

最新推荐
月热文排行榜
精彩组图

2020

03/18

12:17:38

TechWeb区块链

分享