.png){kind=icon}
返回
Verifiable Distributed Computing via Multi-layer Data Integrity Auditing
.png){kind=icon}
PRE
AI
DOI：10.70003/1607926420260327020010.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
分布式学习被认为是数字繁荣时代支持边缘计算的关键解决方案。它通过本地训练（数据不离边缘）显著减少了集中式机器学习中的数据传输和隐私风险。然而，分布式计算中客户端数据的质量往往不均，导致上传的梯度不准确，影响全局模型的收敛性和性能。为解决因不可信客户端数据导致的模型性能下降问题，本文提出了一种基于数据拥有证明的异构计算能力联邦学习准入与持续验证机制。该机制将根据客户端的不同计算能力执行相应的数据集验证。对于强设备，执行完整的S-PDP验证，并将生成的证明用BLS签名以支持服务器端的多签名聚合验证；对于弱设备，执行轻量级E-PDP，仅进行少量采样以降低开销，并通过多轮验证增强检测能力，且不签名证明以进一步减轻边缘侧负担。此外，在联邦学习训练周期内，本文创新性地引入持续随机采样验证机制，淘汰连续多次未通过证明的客户端，从而持续过滤数据异常或虚假节点，在确保资源友好性的同时，增强联邦训练过程的可信度及全局模型的鲁棒性。
Keyword:
Distributed learning
Proof of data possession
Hierarchical verification
BLS signature
Edge computing
