关键词:
联邦学习
区块链
隐私保护
Paillier
粒子群优化
摘要:
在人工智能快速发展的背景下,数据隐私与系统效率成为分布式智能系统中的核心挑战。现有研究虽在一定程度上缓解了数据泄露问题,但在资源分配、系统开销和安全性方面仍存在显著瓶颈。为此,构建了一种基于粒子群优化(particle swarm optimization,PSO)和Paillier加密算法的区块链联邦学习方法,简称FedPPB,该方法融合PSO算法与Paillier同态加密算法,实现对系统角色的动态优化分配与训练参数的加密保护。首先,针对工作节点、验证节点和矿工节点的任务特点,通过PSO算法构建包含模型准确率、验证时间和区块生成时间的适应度函数,实现角色数量的动态调整;其次,工作节点通过Paillier算法对参数更新进行加密,验证节点解密参数并验证其合法性,矿工节点生成区块并更新全局模型;最后,从理论上证明了PSO算法和Paillier算法分别在角色分配和参数加密中的安全性。实验表明,在MNIST,Fashion-MNIST,CIFAR-10数据集上,当恶意节点的占比为15%和25%时,FedPPB显著优于现有方法,展现出更高的准确率与鲁棒性。