.png){kind=icon}
返回
PQBFL: A Post-Quantum Blockchain-based protocol for Federated Learning
.png){kind=icon}
OA
AI
DOI：10.1016/j.comnet.2025.111472.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
联邦学习（FL）的目标之一是利用远程参与方的本地模型协同训练全局模型，以确保安全性和隐私性。然而，FL过程易受多种安全挑战，包括模型拦截和篡改、通过共享梯度造成的信息泄露，以及暴露参与方身份或数据的隐私泄露，特别是在医疗环境等敏感领域。此外，量子计算的出现通过Shor和Grover算法对现有加密协议构成严重威胁，导致FL系统的通信安全引发担忧。为解决这些挑战，我们提出了一种基于后量子区块链的联邦学习协议（PQBFL），利用后量子加密（PQC）算法和区块链技术增强FL系统中的模型安全性和参与方身份隐私。该协议采用混合通信策略，结合链下和链上通道以优化成本效率、提升安全性和保护参与方隐私，同时确保在FL系统中基于声誉的认证具有可追溯性。PQBFL特别关注FL迭代性质的安全需求，这一点在现有文献中较少被强调。因此，它借助棘轮机制在所有学习轮次中提供前向保密性和抗妥协后安全性。实验表明，该方案所有轮次的计算成本为O(n²)，在混合通信设置下的通信复杂度为O(n+m)。与现有方法相比，所提出的方案在数据规模和区块链上的gas消耗方面表现更优。这些结果表明，PQBFL为量子计算时代下的联邦学习环境提供了一种安全、高效且可行的协议。
期刊
IF:
4.6
论文数:
1.8K
被引数:
1.6W
机构
暂无机构信息
引用论文
Post-Quantum Blockchain Security for the Internet of Things: Survey and Research Directions物联网的后量子区块链安全: 调查与研究方向OAAI
.png){kind=icon}
OAAI分享收藏
分享收藏Secure-Enhanced Federated Learning for AI-Empowered Electric Vehicle Energy Prediction安全增强的联合学习，用于AI支持的电动汽车能量预测
PREAI
分享收藏
查看更多内容