第４ ４ 卷第１ ２ 期２ ０ ２ １ 年１ ２ 月计算机学报Ｃ Ｈ Ｉ Ｎ Ｅ Ｓ Ｅ Ｊ Ｏ Ｕ Ｒ Ｎ Ａ ＬＯ ＦＣ Ｏ Ｍ Ｐ Ｕ Ｔ Ｅ Ｒ ＳＶ ｏ ｌ ． ４ ４Ｎ ｏ ．１ ２Ｄ ｅ ｃ ． ２ ０ ２ １基于区块链的隐私保护可信联邦学习模型朱建明”张沁楠”高胜”丁庆洋２ ）袁丽萍”１ ）（ 中央财经大学信息学院北京１ ０ ０ ０ ８ １ ）２ ）（ 北京联合大学管理学院北京１ 〇〇〇２ ０ ）摘要基于联邦学习的智能边缘计算在物联网领域有广泛的应用前景． 联邦学习是一种将数据存储在参与节点本地的分布式机器学习框架， 可以有效保护智能边缘节点的数据隐私． 现有的联邦学习通常将模型训练的中间参数上传至参数服务器实现模型聚合， 此过程存在两方面问题：一是中间参数的隐私泄露， 现有的隐私保护方案通常采用差分隐私给中间参数增加噪声， 但过度加噪会降低聚合模型质量； 另一方面， 节点的自利性与完全自治化的训练过程可能导致恶意节点上传虚假参数或低质量模型， 影响聚合过程与模型质量． 基于此， 本文将联邦学习中心化的参数服务器构建为去中心化的参数聚合链， 利用区块链记录模型训练过程的中间参数作为证据， 并激励协作节点进行模型参数验证， 惩罚上传虚假参数或低质量模型的参与节点， 以约束其自利性． 此外， 将模型质量作为评估依据， 实现中间参数隐私噪声的动态调整以及自适应的模型聚合． 原型搭建和仿真实验验证了模型的实用性， 证实本模型不仅能增强联邦学习参与节点间的互信， 而且能防止中间参数隐私泄露， 从而实现隐私保护增强的可信联邦学习模型．关键词区块链； 联邦学习； 智能边缘计算； 差分隐私； 共识算法中图法分类号Ｔ Ｐ １ ８Ｄ ＯＩ 号１ ０ ．  １ １ ８ ９ ７ ／ Ｓ Ｐ ．  Ｊ ．  １ ０ １ ６ ．  ２ ０ ２ １ ．  ０ ２ ４ ６ ４Ｐｒｉ ｖ ａｃ ｙＰｒｅｓｅｒｖ ｉ ｎ ｇａｎ ｄＴｒｕｓ ｔｗｏｒｔ ｈｙＦｅｄｅｒａｔ ｅｄＬ ｅａｒｎ ｉ ｎ ｇＭｏｄｅｌ ＢａｓｅｄｏｎＢｌ ｏｃｋｃｈａｉ ｎＺ Ｈ Ｕ Ｊ ｉ ａ ｎ Ｍ ｉ ｎ ｇ１ ）Ｚ Ｈ Ａ Ｎ ＧＱ ｉ ｎ Ｎ ａ ｎ１ ）Ｇ Ａ Ｏ Ｓ ｈ ｅ ｎ ｇ１ ）Ｄ Ｉ Ｎ ＧＱ ｉ ｎ ｇ Ｙ ａ ｎ ｇ２ ）Ｙ Ｕ Ａ ＮＬ ｉ Ｐ ｉ ｎ ｇ１ ）１ ） ｛ Ｓ ｃ ｈ ｏ ｏ ｌ  ｏ ｆ Ｉ ｎ ｆｏ ｒｍａ ｔ ｉ ｏ ｎ  ？  Ｃ ｅ ｎ ｔ ｒ ａ ｌ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｆ ｉ ｎ ａ ｎ ｃ ｅ  ａ ｎ ｄ  Ｅ ｃ ｏ ｎ ｏ ｍｉ ｃ ｓ  ？  Ｂ ｅ ｉｊｉ ｎ ｇ１ ０ ０ ０ ８ １ ）２ ） ｛ Ｓ ｃ ｈ ｏ ｏ ｌ  ｏ ｆ Ｍａ ｎ ａ ｇ ｅ ｍ ｅ ｎ ｔ ？  Ｂ ｅ ｉｊｉ ｎ ｇ  Ｕｎ ｉ ｏ ｎ  Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｂ ｅ ｉｊｉ ｎ ｇ１ ０ ０ ０ ２ ０ ）Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔＩ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｔ  ｅ ｄ ｇ ｅ  ｃ ｏ ｍ ｐ ｕ ｔ ｉ ｎ ｇ  ｂ ａ ｓ ｅ ｄ  ｏ ｎ  ｆ ｅ ｄ ｅ ｒ ａ ｔ ｅ ｄ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ  ｈ ａ ｓ  ａ ｗ ｉ ｄ ｅ  ａ ｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｐ ｒ ｏ ｓ ｐ ｅ ｃ ｔｉ ｎ  ｔ ｈ ｅ  ｆ ｉ ｅ ｌ ｄ ｏ ｆ  Ｉ ｎ ｔ ｅ ｒ ｎ ｅ ｔ  ｏ ｆ Ｔ ｈ ｉ ｎ ｇ ｓ（ Ｉ ｏ Ｔ ） ．Ｈ ｏ ｗ ｅ ｖ ｅ ｒ， ｉ ｔ  ｉ ｓ  ｓ ｔ ｉ ｌ ｌ  ｆ ａ ｃ ｅ ｄｗ ｉ ｔ ｈ  ｔ ｈ ｅ ｄ ｉ ｌ ｅ ｍ ｍ ａ  ｏ ｆ  ｌ ａ ｃ ｋ ｉ ｎ ｇｅ ｎ ｏ ｕｇｈ  ｄ ａ ｔ ａ  ｓ ｏ ｕ ｒ ｃ ｅ ｓ  ｉ ｎ  ｔ ｈ ｅ  ｃ ｕ ｒ ｒ ｅ ｎ ｔ  ｐ ｒ ａ ｃ ｔ ｉ ｃ ｅ  ｏ ｆ  ａ ｒ ｔ ｉ ｆ ｉ ｃ ｉ ａ ｌ ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｃ ｅ ．Ｉ ｎ  ｔ ｈ ｉ ｓ ｃ ｏ ｎ ｔ ｅ ｘ ｔ，ｄ ｉ ｓ ｔ ｒ ｉ ｂ ｕ ｔ ｅ ｄｍ ａ ｃ ｈ ｉ ｎ ｅ  ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ  ａ ｇ ｇ ｒ ｅ ｇ ａ ｔ ｅ ｓ  ｅ ｄ ｇ ｅ ｄ ｅ ｖ ｉ ｃ ｅ ｓ ’ ｒ ａｗｄ ａ ｔ ａ  ｉ ｎ ｔ ｏ  ａ  ｐ ａ ｒ ａｍ ｅ ｔ ｅ ｒ ｓ ｅ ｒ ｖ ｅ ｒ ｆ ｏ ｒ ｍ ｏ ｄ ｅ ｌ  ｔ ｒ ａ ｉ ｎ ｉ ｎ ｇ ，ｂ ｕ ｔ ｉ ｔ ｅ ａ ｓ ｉ ｌ ｙ ｌ ｅ ａ ｄ ｓ  ｔ ｏ  ｄ ａ ｔ ａ ｐ ｒ ｉ ｖ ａ ｃ ｙ  ｌ ｅ ａ ｋ ａ ｇ ｅ  ａ ｎ ｄ ｃ ａ ｕ ｓ ｅ ｓ  ｅ ｘ ｃ ｅ ｓ ｓ ｉ ｖ ｅ ｓ ｔ ｏ ｒ ａ ｇ ｅ  ｏ ｖ ｅ ｒ ｈ ｅ ａ ｄ ．Ｉ ｎ ｐ ａ ｒ ｔ ｉ ｃ ｕ ｌ ａ ｒ，ｆ ｅ ｄ ｅ ｒ ａ ｔ ｅ ｄ ｌ ｅ ａ ｒ ｎ ｉ ｎｇ（ Ｆ Ｌ ）ｉ ｓａ ｄ ｉ ｓ ｔ ｒ ｉ ｂ ｕ ｔ ｅ ｄｍ ａ ｃ ｈ ｉ ｎ ｅｌ ｅ ａ ｒ ｎ ｉ ｎｇｆ ｒ ａ ｍ ｅ ｗ ｏ ｒ ｋｔ ｈ ａ ｔｓ ｔ ｏ ｒ ｅ ｓｄ ａ ｔ ａｌ ｏ ｃ ａ ｌ ｌ ｙ ，ｗ ｈ ｉ ｃ ｈ  ｃ ａ ｎｅ ｆ ｆ ｅ ｃ ｔ ｉ ｖ ｅ ｌ ｙｐ ｒ ｏ ｔ ｅ ｃ ｔｔ ｈ ｅｄ ａ ｔ ａｐ ｒ ｉ ｖ ａ ｃ ｙｏ ｆｅ ｄｇ ｅｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｔｎ ｏ ｄ ｅ ｓ ．Ａ ｃ ｃ ｏ ｒ ｄ ｉ ｎｇｔ ｏｃ ｌ ｉ ｅ ｎ ｔｓ ｅ ｔ ｔ ｉ ｎ ｇ ｓ， Ｆ Ｌ ｃ ａ ｎ ｂ ｅ  ｃ ｌ ａ ｓ ｓ ｉ ｆ ｉ ｅ ｄ ｉ ｎ ｔ ｏ  ｔ ｗ ｏ  ｔ ｙ ｐ ｅ ｓ ：ｃ ｒ ｏ ｓ ｓ ｄ ｅ ｖ ｉ ｃ ｅ Ｆ Ｌ ａ ｎ ｄ ｃ ｒ ｏ ｓ ｓ ｓ ｉ ｌ ｏ Ｆ Ｌ ．Ｉ ｎ  ｃ ｒ ｏ ｓ ｓ ｄ ｅ ｖ ｉ ｃ ｅＦ Ｌ ，ａ  ｃ ｅ ｎ ｔ ｒ ａ ｌ  ｅ ｎ ｔ ｉ ｔ ｙ  ａ ｃ ｔ ｓ ａ ｓ ｔ ｈ ｅ  ｃ ｅ ｎ ｔ ｒ ａ ｌ  ｐ ａ ｒ ａｍ ｅ ｔ ｅ ｒ  ｓ ｅ ｒ ｖ ｅ ｒ，ｗ ｈ ｉ ｃ ｈ ｉ ｓ ａ ｌ ｓ ｏ  ｔ ｈ ｅ ｏ ｗ ｎ ｅ ｒ  ｏ ｆ  ｔ ｈ ｅ  ｇ ｌ ｏ ｂ ａ ｌｍ ｏ ｄ ｅ ｌ ．Ｍ ｅ ａ ｎ ｗ ｈ ｉ ｌ ｅ， ｔ ｈ ｅ  ｐ ａ ｒ ｔ ｉ ｃ ｉ ｐ ａ ｔ ｉ ｎ ｇ  ｎ ｏ ｄ ｅ ｓ  ａ ｓ  ｔ ｈ ｅ  ｃ ｌ ｉ ｅ ｎ ｔ ｓ  ｔ ｏ  ｐ ｅ ｒ ｆ ｏ ｒ ｍ ｌ ｏ ｃ ａ ｌ  ｔ ｒ ａ ｉ ｎ ｉ ｎ ｇ ．Ｉ ｎ  ｃ ｒ ｏ ｓ ｓ ｓ ｉ ｌ ｏＦ Ｌ ， ａ ｌ ｌ  ｐ ａ ｒ ｔ ｉ ｃ ｉ ｐ ａ ｔ ｉ ｎｇ ｎ ｏ ｄ ｅ ｓ  ａ ｃ ｔ  ａ ｓ  ｔ ｈ ｅ  ｃ ｌ ｉ ｅ ｎ ｔ ｓ  ｔ ｏ ｐ ｅ ｒ ｆ ｏ ｒ ｍ ｌ ｏ ｃ ａ ｌ  ｔ ｒ ａ ｉ ｎ ｉ ｎｇ ．Ｉ ｎ  ａ ｄ ｄ ｉ ｔ ｉ ｏ ｎ ，ｔ ｈ ｅ ｙ ａ ｒ ｅ  ａ ｌ ｓ ｏｔ ｈ ｅ  ｏ ｗ ｎ ｅ ｒ ｓ  ｏ ｆ  ｔ ｈ ｅ  ｇ ｌ ｏ ｂ ａ ｌ ｍ ｏ ｄ ｅ ｌ  ａ ｎ ｄ ｃ ａ ｎ ｍ ａ ｋ ｅ  ｕ ｓ ｅ  ｏ ｆ  ｔ ｈ ｅ  ｔ ｒ ａ ｉ ｎ ｅ ｄ  ｇ ｌ ｏ ｂ ａ ｌ ｍ ｏ ｄ ｅ ｌ ．Ｉ ｎ  ｔ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ， ｗ ｅｆ ｏ ｃ ｕ ｓ  ｏ ｎ  ｃ ｒ ｏ ｓ ｓ ｄ ｅ ｖ ｉ ｃ ｅ Ｆ Ｌ ，ｉ ｎｗ ｈ ｉ ｃ ｈ  ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｃ ｅ  ｅ ｄ ｇ ｅ  ｄ ｅ ｖ ｉ ｃ ｅ ｓ  ｃ ａ ｎ  ｐ ｒ ｏ ｖ ｉ ｄ ｅ ｍ ｏ ｄ ｅ ｌ  ｔ ｒ ａ ｉ ｎ ｉ ｎ ｇ  ｓ ｅ ｒ ｖ ｉ ｃ ｅ ｓ收稿日期： ２ ０ ２ ０ ０ ９ １ ４； 在线发布日期： ２ ０ ２ １ ０ ５ ２ ８ ． 本课题得到国家重点研发计划（ ２ ０ １ ７ ＹＦ Ｂ １ ４ ０ ０ ７ ０ ０ ） 、国家自然科学基金项目（ ６ ２ ０ ７ ２ ４ ８ ７ ） 、北京市自然科学基金项目（ Ｍ ２ １ ０ ３ ６ ） 、北京联合大学教育科学研究课题Ｇ Ｋ ２ ０ ２ １ １ ４ ） ， 北京联合大学科研专项（ Ｚ Ｋ ３ ０ ２ ０ ２ １ ０ １ ） 资助． 朱建明，博士， 教授， 主要研究领域为区块链技术与信息安全． Ｅ ｍ ａ ｉ ｌ：ｃ ｄｅ ．  ｅ ｄ ｕ ．  ｃ ｎ ． 张沁楠（ 通信作者） ， 博士研究生， 主要研究方向为区块链与智能边缘计算． Ｅ ｍ ａ ｉ ｌ：  ｚ ｈ ａ ｎ ｇ ｑ ｎ ｐ ＠ １ ６ ３ ．  ｃ ｏ ｍ ． 高胜（ 通信作者） ， 博士， 副教授， 主要研究方向为区块链技术与隐私计算． Ｅ ｍ ａ ｉ ｌ：Ｓ ｇ ａ 〇＠ ｍ ｋ ．  ｅ ｄ ｕ ． ｃ ｎ ． 丁庆洋， 博士， 主要研究方向为区块链与大数据治理． 袁丽萍， 硕士研究生， 主要研究方向为区块链技术与隐私保护．１ ２ 期朱建明等： 基于区块链的隐私保护可信联邦学习模型２ ４ ６ ５ｂｙｓ ｅ ｎ ｓ ｉ ｎｇ  ｔ ｈ ｅ  ｒ ａｗ ｄ ａ ｔ ａ  ｆ ｒ ｏ ｍ Ｉ ｏ Ｔ ｄ ｅ ｖ ｉ ｃ ｅ ｓ  ｓ ｕ ｃ ｈ ａ ｓ  ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｃ ｅ  ｖ ｅ ｈ ｉ ｃ ｌ ｅ ｓ， ｓ ｍ ａ ｒ ｔ ｐｈ ｏ ｎ ｅ ｓ  ｅ ｔ ｃ ．Ｍ ｏ ｓ ｔ  ｏ ｆｔ ｈ ｅ  ｅ ｘ ｉ ｓ ｔ ｉ ｎｇ  ｃ ｒ ｏ ｓ ｓ ｄ ｅ ｖ ｉ ｃ ｅ Ｆ Ｌ ｉ ｍ ｐ ｌ ｅｍ ｅ ｎ ｔ ｓ ｍ ｏ ｄ ｅ ｌ  ａ ｇ ｇ ｒ ｅ ｇ ａ ｔ ｅ ｄ ｂ ｙ ｕｐ ｌ ｏ ａ ｄ ｉ ｎｇ  ｔ ｈ ｅ  ｉ ｎ ｔ ｅ ｒｍ ｅ ｄ ｉ ａ ｔ ｅ ｐ ａ ｒ ａｍ ｅ ｔ ｅ ｒ ｓｏ ｆ ｍ ｏ ｄ ｅ ｌ  ｔ ｒ ａ ｉ ｎ ｉ ｎｇ  ｔ ｏ  ｔ ｈ ｅ  ｐ ａ ｒ ａｍ ｅ ｔ ｅ ｒ ｓ ｅ ｒ ｖ ｅ ｒ ．Ｔ ｈ ｅ ｒ ｅ ａ ｒ ｅ  ｔ ｗ ｏ  ｐ ｒ ｏ ｂ ｌ ｅ ｍ ｓ  ｉ ｎ  ｔ ｈ ｉ ｓ  ｐ ｒ ｏ ｃ ｅ ｓ ｓ ．Ｏ ｎ  ｔ ｈ ｅ ｏ ｎ ｅｈ ａ ｎ ｄ，ｔ ｈ ｅ ｒ ｅ  ｉ ｓ  ｐ ｒ ｉ ｖ ａ ｃ ｙ  ｌ ｅ ａ ｋ ａ ｇ ｅ  ｏ ｆ  ｉ ｎ ｔ ｅ ｒｍ ｅ ｄ ｉ ａ ｔ ｅ  ｐ ａ ｒ ａｍ ｅ ｔ ｅ ｒ ｓ ．Ｔ ｈ ｅ  ｅ ｘ ｉ ｓ ｔ ｉ ｎｇ ｐ ｒ ｉ ｖ ａ ｃ ｙ  ｐ ｒ ｏ ｔ ｅ ｃ ｔ ｉ ｏ ｎ  ｓ ｃ ｈ ｅｍ ｅ ｓｕ ｓ ｕ ａ ｌ ｌ ｙ ｕ ｓ ｅ  ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｉ ａ ｌ  ｐ ｒ ｉ ｖ ａ ｃ ｙ  ｔ ｏ  ａ ｄ ｄ ｔ ｈ ｅ  ｎ ｏ ｉ ｓ ｅ  ｏ ｎ  ｉ ｎ ｔ ｅ ｒ ｍ ｅ ｄ ｉ ａ ｔ ｅ  ｐ ａ ｒ ａ ｍ ｅ ｔ ｅ ｒ ｓ， ｂ ｕ ｔ  ｅ ｘ ｃ ｅ ｓ ｓ ｉ ｖ ｅ  ｎ ｏ ｉ ｓ ｅｗ ｉ ｌ ｌ  ｒ ｅ ｄ ｕ ｃ ｅ  ｔ ｈ ｅ  ｑ ｕ ａ ｌ ｉ ｔ ｙ  ｏ ｆ  ｔ ｈ ｅ  ｇ ｌ ｏ ｂ ａ ｌ ｍ ｏ ｄ ｅ ｌ ．Ｏ ｎ  ｔ ｈ ｅ  ｏ ｔ ｈ ｅ ｒ  ｈ ａ ｎ ｄ， ｔ ｈ ｅ  ｔ ｒ ａ ｉ ｎ ｉ ｎ ｇ  ｐ ｒ ｏ ｃ ｅ ｓ ｓ  ｏ ｆ  ｎ ｏ ｄ ｅ  ｓ ｅ ｌ ｆｉ ｎ ｔ ｅ ｒ ｅ ｓ ｔ  ａ ｎ ｄ ｆ ｕ ｌ ｌ  ａ ｕ ｔ ｏ ｎ ｏ ｍ ｙ ｍ ａ ｙ  ｌ ｅ ａ ｄ  ｔ ｏ ｍ ａ ｌ ｉ ｃ ｉ ｏ ｕ ｓ  ｎ ｏ ｄ ｅ ｓ  ｕ ｐ ｌ ｏ ａ ｄ ｉ ｎ ｇ  ｆ ａ ｌ ｓ ｅ  ｐ ａ ｒ ａ ｍ ｅ ｔ ｅ ｒ ｓ  ｏ ｒ  ｌ ｏ ｗ ｑ ｕ ａ ｌ ｉ ｔ ｙｍ ｏ ｄ ｅ ｌ ｓ，ｔ ｈ ｕ ｓ  ａ ｆ ｆ ｅ ｃ ｔ  ｔ ｈ ｅ  ａ ｇ ｇ ｒ ｅ ｇ ａ ｔ ｉ ｏ ｎ  ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｅ ｓ  ａ ｎ ｄ ｍ ｏ ｄ ｅ ｌ  ｑ ｕ ａ ｌ ｉ ｔ ｙ ．Ｉ ｎ  ｔ ｈ ｉ ｓ  ｐ ａ ｐ ｅ ｒ，ｔ ｈ ｅ  ｃ ｅ ｎ ｔ ｒ ａ ｌ ｉ ｚ ｅ ｄｐ ａ ｒ ａ ｍ ｅ ｔ ｅ ｒｓ ｅ ｒ ｖ ｅ ｒｉ ｎｆ ｅ ｄ ｅ ｒ ａ ｔ ｅ ｄｌ ｅ ａ ｒ ｎ ｉ ｎ ｇｉ ｓｃ ｏ ｎ ｓ ｔ ｒ ｕ ｃ ｔ ｅ ｄａ ｓａｄ ｅ ｃ ｅ ｎ ｔ ｒ ａ ｌ ｉ ｚ ｅ ｄｐ ａ ｒ ａ ｍ ｅ ｔ ｅ ｒａ ｇ ｇ ｒ ｅ ｇ ａ ｔ ｉ ｏ ｎｃ ｈ ａ ｉ ｎ，ａ ｎ ｄ ｔ ｈ ｅ  ｉ ｎ ｔ ｅ ｒ ｍ ｅ ｄ ｉ ａ ｔ ｅ ｐ ａ ｒ ａ ｍ ｅ ｔ ｅ ｒ ｓ  ｏ ｆ  ｔ ｈ ｅ ｍ ｏ ｄ ｅ ｌ  ｔ ｒ ａ ｉ ｎ ｉ ｎｇ ｐ ｒ ｏ ｃ ｅ ｓ ｓ  ｒ ｅ ｃ ｏ ｒ ｄ ｅ ｄ  ｏ ｎ  ｔ ｈ ｅ  ｂ ｌ ｏ ｃ ｋ ｃ ｈ ａ ｉ ｎａ ｓ  ｅ ｖ ｉ ｄ ｅ ｎ ｃ ｅ ．Ｍ ｏ ｒ ｅ ｏ ｖ ｅ ｒ， ｔ ｈ ｅ  ｃ ｏ ｏｐ ｅ ｒ ａ ｔ ｉ ｖ ｅ  ｎ ｏ ｄ ｅ ｓ  ａ ｒ ｅ  ｅ ｎ ｃ ｏ ｕ ｒ ａ ｇ ｅ ｄ  ｔ ｏ  ｖ ｅ ｒ ｉ ｆ ｙ ｔ ｈ ｅ ｍ ｏ ｄ ｅ ｌ  ｐ ａ ｒ ａｍ ｅ ｔ ｅ ｒ ｓ  ａ ｎ ｄｐｕ ｎ ｉ ｓ ｈ  ｔ ｈ ｅ ｐ ａ ｒ ｔ ｉ ｃ ｉ ｐ ａ ｔ ｉ ｎｇ ｎ ｏ ｄ ｅ ｓ ｗ ｈ ｏ  ｕｐ ｌ ｏ ａ ｄ  ｆ ａ ｌ ｓ ｅ ｐ ａ ｒ ａ ｍ ｅ ｔ ｅ ｒ ｓ  ｏ ｒ  ｌ ｏ ｗ ｑ ｕ ａ ｌ ｉ ｔ ｙｍ ｏ ｄ ｅ ｌ ｓ  ｓ ｏ  ａ ｓ  ｔ ｏ  ｒ ｅ ｓ ｔ ｒ ｉ ｃ ｔｔ ｈ ｅ ｉ ｒ  ｓ ｅ ｌ ｆ ｉ ｎ ｔ ｅ ｒ ｅ ｓ ｔ ．Ｉ ｎ  ｖ ｉ ｅｗ ｏ ｆ  ａ ｂ ｏ ｖ ｅ  ｃ ｈ ａ ｌ ｌ ｅ ｎｇ ｅ ｓ， ｗ ｅ  ｔ ａｋ ｅ  ｔ ｈ ｅ ｍ ｏ ｄ ｅ ｌ  ｑ ｕ ａ ｌ ｉ ｔ ｙａ ｓ  ｔ ｈ ｅ ｍ ｅ ｔ ｒ ｉ ｃ  ｔ ｏ  ｄｙ ｎ ａｍｉ ｃ ａ ｌ ｌ ｙａ ｄｊｕ ｓ ｔ  ｐ ｒ ｉ ｖ ａ ｃ ｙｎ ｏ ｉ ｓ ｅ  ｏ ｆ  ｉ ｎ ｔ ｅ ｒ ｍ ｅ ｄ ｉ ａ ｔ ｅ  ｐ ａ ｒ ａ ｍ ｅ ｔ ｅ ｒ ｓ  ａ ｎ ｄ  ｐ ｒ ｏ ｐ ｏ ｓ ｅ  ａ  ｆ ｅ ｄ ｅ ｒ ａ ｔ ｅ ｄ ａ ｄ ａ ｐ ｔ ｉ ｖ ｅ （ Ｆ ｅ ｄ Ａ ｄ ｐ ） ｍ ｏ ｄ ｅ ｌａ ｇ ｇ ｒ ｅ ｇ ａ ｔ ｉ ｏ ｎ  ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ．Ｔ ｈ ｅ ｐ ｒ ｏ ｔ ｏ ｔ ｙ ｐ ｅ  ｄ ｅ ｖ ｅ ｌ ｏ ｐ ｍ ｅ ｎ ｔ  ａ ｎ ｄ ｅ ｘ ｐ ｅ ｒ ｉ ｍ ｅ ｎ ｔ ａ ｌ  ｓ ｉ ｍ ｕ ｌ ａ ｔ ｉ ｏ ｎ ｓ ｓ ｈ ｏ ｗｔ ｈ ａ ｔ ｔ ｈ ｅｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ Ｆ ｅ ｄ Ａ ｄ ｐ ｍ ｏ ｄ ｅ ｌ  ａ ｇ ｇ ｒ ｅ ｇ ａ ｔ ｉ ｏ ｎ  ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｃ ａ ｎ  ａ ｃ ｈ ｉ ｅ ｖ ｅ ｈ ｉ ｇ ｈ ｅ ｒ  ａ ｃ ｃ ｕ ｒ ａ ｃ ｙ  ｏ ｆ  ａ ｇ ｇ ｒ ｅ ｇ ａ ｔ ｉ ｏ ｎ ｍ ｏ ｄ ｅ ｌｗ ｈ ｅ ｎ  ｏ ｃ ｃ ｕ ｒ  ｐ ｏ ｉ ｓ ｏ ｎ ｉ ｎ ｇ  ａ ｔ ｔ ａ ｃ ｋ ．Ｂ ｙ ｄ ｙ ｎ ａｍ ｉ ｃ ａ ｌ ｌ ｙ  ａ ｄｊｕ ｓ ｔ ｉ ｎ ｇ  ｔ ｈ ｅ Ｌ ａ ｐ ｌ ａ ｃ ｅ  ｒ ａ ｎ ｄ ｏ ｍ ｎ ｏ ｉ ｓ ｅ， ｉ ｔ’ｓ  ｒ ｅ ａ ｌ ｉ ｚ ｅ ｄｔ ｈ ｅ  ｔ ｒ ａ ｄ ｅ ｏ ｆ ｆ  ｂ ｅ ｔ ｗ ｅ ｅ ｎｐ ｒ ｉ ｖ ａ ｃ ｙｐ ｒ ｏ ｔ ｅ ｃ ｔ ｉ ｏ ｎａ ｎ ｄ ｔ ｈ ｅ ａ ｃ ｃ ｕ ｒ ａ ｃ ｙｅ ｒ ｒ ｏ ｒ  ｏ ｆ ｔ ｈ ｅａ ｇ ｇ ｒ ｅ ｇ ａ ｔ ｉ ｏ ｎｍ ｏ ｄ ｅ ｌ ．Ｔ ｈ ｅｅ ｘ ｐ ｅ ｒ ｉ ｍ ｅ ｎ ｔ  ｏ ｆ  ｂ ｌ ｏ ｃ ｋ ｃ ｈ ａ ｉ ｎｐ ｅ ｒ ｆ ｏ ｒ ｍ ａ ｎ ｃ ｅ ｃ ｏ ｎ ｆ ｉ ｒ ｍ ｅ ｄ ｔ ｈ ａ ｔ ｏ ｕ ｒｓ ｃ ｈ ｅ ｍ ｅ ｈ ａ ｓｇｏ ｏ ｄ ｐ ｒ ａ ｃ ｔ ｉ ｃ ａ ｂ ｉ ｌ ｉ ｔ ｙ ．Ｉ ｔ ｉ ｓｐ ｒ ｏ ｖ ｅ ｄ ｔ ｈ ａ ｔ  ｔ ｈ ｅ ｍ ｏ ｄ ｅ ｌ  ｃ ａ ｎ  ｎ ｏ ｔ ｏ ｎ ｌ ｙ ｅ ｎ ｈ ａ ｎ ｃ ｅ  ｔ ｈ ｅ ｍ ｕ ｔ ｕ ａ ｌ  ｔ ｒ ｕ ｓ ｔ  ｂ ｅ ｔ ｗ ｅ ｅ ｎ  ｔ ｈ ｅ  ｐ ａ ｒ ｔ ｉ ｃ ｉ ｐ ａ ｔ ｉ ｎｇ ｎ ｏ ｄ ｅ ｓ ｏ ｆｆ ｅ ｄ ｅ ｒ ａ ｔ ｅ ｄ ｌ ｅ ａ ｒ ｎ ｉ ｎｇ ，ｂ ｕ ｔ ａ ｌ ｓ ｏ  ｐ ｒ ｅ ｖ ｅ ｎ ｔ  ｔ ｈ ｅ ｐ ｒ ｉ ｖ ａ ｃ ｙ ｄ ｉ ｓ ｃ ｌ ｏ ｓ ｕ ｒ ｅ ｏ ｆ  ｉ ｎ ｔ ｅ ｒ ｍ ｅ ｄ ｉ ａ ｔ ｅ  ｐ ａ ｒ ａｍ ｅ ｔ ｅ ｒ ｓ，ｓ ｏ  ａ ｓ  ｔ ｏｒ ｅ ａ ｌ ｉ ｚ ｅ  ｔ ｈ ｅ  ｆ ｅ ｄ ｅ ｒ ａ ｔ ｅ ｄ ｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ ｍ ｏ ｄ ｅ ｌ ｗ ｉ ｔ ｈ  ｅ ｎ ｈ ａ ｎ ｃ ｅ ｄ  ｔ ｒ ｕ ｓ ｔ  ａ ｎ ｄ  ｐ ｒ ｉ ｖ ａ ｃ ｙ ｐ ｒ ｏ ｔ ｅ ｃ ｔ ｉ ｏ ｎ ．Ｋ ｅ ｙｗ ｏ ｒ ｄ ｓｂ ｌ ｏ ｃ ｋ ｃ ｈ ａ ｉ ｎ；ｆ ｅ ｄ ｅ ｒ ａ ｔ ｅ ｄｌ ｅ ａ ｒ ｎ ｉ ｎ ｇ ；ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｔｅ ｄ ｇ ｅｃ ｏ ｍ ｐ ｕ ｔ ｉ ｎ ｇ ；ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｉ ａ ｌｐ ｒ ｉ ｖ ａ ｃ ｙ ；ｃ ｏ ｎ ｓ ｅ ｎ ｓ ｕ ｓ  ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍｉ 引言联邦学习（ Ｆ ｅ ｄ ｅ ｒ ａ ｔ ｅ ｄ Ｌ ｅ ａ ｒ ｎ ｉ ｎｇ ）［１］ 是一■ 种协作式机器学习框架， 参与协作的节点利用本地数据训练模型， 通过参数聚合实现多来源数据的预测效果．当前人工智能在实践过程中仍然面临数据来源不足的困境． 在医疗领域中， 标注数据需动用１ 万人长达１ ０ 年的时间才能收集到足够多有效的数据［２］． 联邦学习中数据存储在节点本地实现分布式机器学习，实现了隐私保护的数据协作． 随着移动通讯技术和智能边缘设备的兴起， 联邦学习在智慧城市［ ３ ］、电子医疗［４］、无线通讯［５］、移动边缘网络［６］ 等领域有着广泛的应用前景［ ７ ］． 目前联邦学习已产生基于同行业数据的横向联邦学习， 以及面向多行业数据的纵向联邦学习与联邦迁移学习［８］， 并与大数据、云计算、区块链、智能边缘计算等前沿技术深度融合， 成为产学研界共同关注的研究热点．数字经济背景下， 数据合规成为世界趋势． ２ ０ １ ８年， 欧盟颁布《通用数据保护条例Ｋ Ｇ Ｄ Ｐ Ｒ ） 严格规范数据的使用． ２ ０ １ ７ 年６ 月１ 日起我国施行的《中国人民共和国网络安全法》指出不得泄露、篡改用户数据． ２ ０ １ ９ 年５ 月２ ８ 日， 我国国家互联网信息办公室公开《数据安全管理办法（ 征求意见稿） 》， 并于２ ０ ２ ０ 年１ ２ 月１ 日发布了《常见类型移动互联网应用程序（ Ａ Ｐ Ｐ ） 必要个人信息范围》公开征求意见通知， 可见用户数据的流转和使用必须满足越来越严苛的数据管理条例． 此外， 数据要素具有巨大的潜在价值， 但由于行业竞争、利益冲突等因素， 大多仍呈现数据孤岛形式． 联邦学习满足数据合规， 并可以解决数据孤岛问题［９］．大数据时代个人隐私保护一直备受关注． 数据隐私的泄露通常会引起公众不满， 例如Ｆ ａ ｃ ｅ ｂ ｏ ｏ ｋ 数据泄露曾引发大范围抗议活动， 国内求职简历售卖也一度登上了微博热搜． 造成数据隐私泄露的主要原因可能是数据在流转过程中丢失， 或者利用数据ｍａ ： ６ 计導机攀报 ＿１ 苹挖掘技术从海量用户信息中＿ 法遵取个人敏感信息＆ °］ ？ 数据本身的无限复制特性导致数摒一旦发生泄露、数据》流转和使用难以追踪．联邦学專是当前人工智能背景下实现数据隐私保护的有效办法， 根据初始设：置不同． Ｋ ａ ｉ ｍ ｕ ｚ 等人Ｍ 将联邦学习分为跨设备（ Ｃ ｒ ｏ ｓ ｓ ｄ ｅ ｖ ｉ ｃ ｅ ｝ 和跨筒仓（ ＣＭＳ Ｓ， ｓ ｉ ｌ 〇） 两种类型． 跨设备联邦学习的全局模襲Ｉ＊ 中心化的参数服务器控１ｉ． 跨筒仓联邦学习的每个参与者都Ｗ 以暹：全局模型的聚合者和拥有者－本文主要关注跨设备联邦学习， 其基本思想是将模型训练分散在ｋ 个节点进行， 每轮训练结東后参数服务纗收集节． 点本地模趣参■数执行模型聚合算法，弁将吏新的全局模型参数返同给各节点继续迭代训练直至讓缉收敏． 与分布式机器學习相比， 联邦学习具有以下优势八１  ＞ 参与节点协作训练， 利益共享；（ 幻数据不出节点本地 ＜保护数据隐私并满足数据合规Ｋ ３ ） 模型准确率与数据聚合之后训练的准确率＿相当？跨设备联萍学為通过参数服务器执行構型聚合算法４旦中心化参数服务器可能遵聋恶意玫击被截获甚至篡改構型聚合过程的中间参数． 此外． 中心化参数服务器使参与首点与参数服务器之间存在：太量远程数据通也＃ 致了数据篡玫与隐私泄露风险．为了解决此问龜／已有学者提出去除第三方的联邦孛石方法［ １ ２ ］． 在该方法中， 通过交换用户公匍将模型聚合委托给参与训练的节．点一方来执行． 然而， 现有的联邦学习隐私保护方案仍存在以下两方面问Ｍ ：（ １） 中间参数隐私泄露： 联邦学＿ 避兔了数据收集而引起的数据泄露ｆ每蘧？ 但是仍然存在中间参数的隐私泄露［ １ ＇ 尤其是糖處隐私泄露Ｅ １ ４］ ？ 现有机器学习中的模型攻击［１ ５］、数据攻击ｔ ｌ ６］、推理攻击［１ ７ ｌ ｓ］ （  Ｉ ｎｆ ｅ ｒ ｅ ｎｃ ｅ  ａ ｔ ｔａ ｃ ｋ ）、滅门：攻击（ Ｂａ ｃ ｋ ｄ ｏｏ ｒａｔ ｔ ａ ｃ ｋ ｓ ）： １ ？ 键接攻击（ Ｌ ｉ ｎ ｋ ａ ｂ ｉ ｌ ｉ ｔ ｙ ａ ｔ ｔａ ｃ ｋ ）’ ｓ 携拳攻击（ Ｐ ｏ ｉ ｓ Ｄ ｉ ｉ ｉ ｎ ｇ ａｔａ ｃ ｋ ）。１ ３ 等方濟都可对中参讖包括梯度数据进行原始数据推断， 从而泄露？ 与节点本地数据的敏感信息．（ ２ ） 节点多方信任问题？ 在模虐聚含过程中， 可能存在半诚实或＃ 恶意的参数服务器与参与节点＆ ２］ ？ 首先， 参数服务器可能滥用或泄露数据， 通过将榛虐参数泄露给第兰方获得额外收益； 此外＊ 参％节点由于＿ 利性考虑， 可能会提供虚假参数以提窗活跃度与贡敵度＿＜存在搭便车行为．如揭１ 所示， 假设企业Ａ 、Ｂ 因数据匮芝有联合建模需求， 企业考虑数据隐私采用联邦孥习建模方案？ 在建模过程中，Ａ 、Ｂ 无需交操本地数据， 只瘍將加密样本对齐， 向参数服务器交换中间加密参数， 参数服务器执行模型聚＃奪法＊ 将参数返回给Ａ 、Ｂ 进行新一轮模型更新， 然后不断迭代此过程直至摸．型收敛． 在此过程中， 假设企业Ｂ 遭受恶意攻击而导致数据隐私泄露甚蕈恶意篡玫． 由于自利性考虑，》企业Ｂ 不愿消耗卄算资源參与训练ｓ 但是想要从中获利此选择搭便车上传未经训练的虚假鑫数＊ 这两种憬况都会影响参数服务器的模■ 聚合． 此外Ｉ 在执行模型聚合箕法． 的过程中也难以避免程序漏洞， 从而影响联雜學习协作训练结果．Ｑ国参数服务器＞ 模型聚合算法参数传输￥模型更新参数传输ｊ模型更新ｌｌａ ｌ 加密样本对齐 晶圍企ｉｋＡ￣＇ 企＾ Ｉ ｋＢ＾ 恶意攻击；ｆ；自身作恶＃ 程序漏洞图１ 參与曹点麓销＊ 虜釐屢ａ ｆｔ ｍ本可１＃参数廉．器综上所述， 为了解决跨设备联邦孪习中间参数隐私泄露以及多方互信何题， 本文将中心化的参数服务器构建为去中心化的参数聚合链， 其中参与训＿节点＆ 将中间＃ 数上传至区块链＝ 逋过共识算法与智能合约进行参数验证和模＿ 聚合， 经过共轵验证后的聚合模ａ 参数返回給各参与节点进行檫型棄新． 根据模型质量与节点信誉评分调整聚含权重，降低误差较大模型参数所占比重， 从而提升聚合襟塑的准确率？ 基宁这一研究思路， 苹文基于ｂ 有文献［２ ２］ 利用差分隐私实现联邦学方中间善数的隐私保护． 并投计协作者异步参数＇审计机制对模遨威量评估结果进行共识验证， 防止搭便车行为《同时基于模型质量与，誉评分构建启适应的模ａ 聚含算法，并通过智能合约＆ 动触发算法执行．与现有的基于区块链的联邦学习的工作相比，本文主養貢鑛，归轴为：⑴ 自适盧隨儀型歎含与隐私感ｆｎ ？ 本文交朱建明等： 基于区块链的１ ２ 期 隐私 保 护 可信联邦 学 习 模 型 ２ ４ ６ ７叉熵（ Ｃ ｒ ｏ ｓ ｓ Ｅ ｎ ｔ ｒ ｏｐ ｙ ）？ 为模型质量评估依据， 基于模型质量与节点累计信誉值设计自适应的模型聚合算法． 其次， 基于差分隐私保护联邦学习中间参数隐私， 根据模型质量评估结果在中间参数基础上增加不同程度的拉普拉斯（ Ｌ ａ ｐ ｌ ａ ｃ ｅ ）？ 噪声， 防止中间参数在传输过程中泄露本地数据隐私．（ ２ ） 区块链模型参数审计与共识． 利用区块链去中心化和强信任属性， 对模型参数进行协作者参数审计， 有效识别恶意节点的投毒攻击与搭便车行为．本文提出节点贡献度证明（ Ｐ ｒ ｏ ｏ ｆ  ｏ ｆ Ｃ ｏ ｎ ｔ ｒ ｉ ｂ ｕ ｔ ｉ ｏ ｎ ，Ｐ ｏ Ｃ ） 共识算法， 降低高贡献度节点共识挖矿难度，减少计算资源浪费， 提升节点参与公平性．（ ３ ） 支持轻量级智能边缘计算． 目前已有的基于区块链的联邦学习工作［ ２ ＂ ２ ６ ］ 大多将联邦学习节点构建为点对点（ Ｐ ｅ ｅ ｒ ｔ ｏ Ｐ ｅ ｅ ｒ ） 的区块链结构， 本文将区块链和联邦学习分层构建， 适用于轻量级智能边缘计算场景中的联邦学习． 其中， 区块链作为模型聚合引擎， 通过智能合约实现模型参数的自动化可配置聚合操作， 降低了中心化参数服务的恶意攻击与计算偏差风险． 轻量级智能边缘计算节点仅需完成本地模型训练和参数更新， 无需承担区块链节点面临的数据冗余和共识过程中的通信开销．（ ４ ） 仿真实验与安全性分析． 使用Ｍ Ｎ Ｉ Ｓ Ｔ 和Ｃ Ｉ Ｆ Ａ Ｒ １ ０ 数据集， 基于拉普拉斯差分隐私测试在固定隐私噪声与动态隐私噪声情况下， Ｍ Ｌ Ｐ 与Ｃ Ｎ Ｎ 模型训练的准确率对比情况． 通过模拟投毒攻击， 进一步展示自适应模型聚合算法的抵御效果． 利用Ｐ ｙ ｔ ｈ ｏ ｎ Ｆ ｌ ａ ｓ ｋ 搭建区块链平台， 为联邦学习提供去中心化的模型聚合服务． 大量实验表明， 当参与节点使用本模型进行联邦学习模型训练， 计算时间开销与存储开销较小， 说明本模型有较好的实用性．２ 相关工作２ ． １ 联邦学习的隐私保护联邦学习最早被Ｇ ｏ ｏ ｇ ｌ ｅ 提出用于用户输人法预测，