論文の概要: PQBFL: A Post-Quantum Blockchain-based Protocol for Federated Learning

• arxiv url: http://arxiv.org/abs/2502.14464v1
• Date: Thu, 20 Feb 2025 11:36:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-21 14:26:22.170084
• Title: PQBFL: A Post-Quantum Blockchain-based Protocol for Federated Learning
• Title（参考訳）: PQBFL:フェデレーションラーニングのためのポスト量子ブロックチェーンベースのプロトコル
• Authors: Hadi GHaravi, Jorge Granjal, Edmundo Monteiro,
• Abstract要約: FLシステムにおけるモデルセキュリティと識別アイデンティティのプライバシを高めるために,PQBFL(Post-Quantum-based Protocol for Federated Learning)を提案する。 オフチェーンとオンチェーンチャネルを組み合わせたハイブリッド通信戦略を採用して、コスト効率を最適化し、セキュリティを改善し、プライバシを保護している。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: One of the goals of Federated Learning (FL) is to collaboratively train a global model using local models from remote participants. However, the FL process is susceptible to various security challenges, including interception and tampering models, information leakage through shared gradients, and privacy breaches that expose participant identities or data, particularly in sensitive domains such as medical environments. Furthermore, the advent of quantum computing poses a critical threat to existing cryptographic protocols through the Shor and Grover algorithms, causing security concerns in the communication of FL systems. To address these challenges, we propose a Post-Quantum Blockchain-based protocol for Federated Learning (PQBFL) that utilizes post-quantum cryptographic (PQC) algorithms and blockchain to enhance model security and participant identity privacy in FL systems. It employs a hybrid communication strategy that combines off-chain and on-chain channels to optimize cost efficiency, improve security, and preserve participant privacy while ensuring accountability for reputation-based authentication in FL systems. The PQBFL specifically addresses the security requirement for the iterative nature of FL, which is a less notable point in the literature. Hence, it leverages ratcheting mechanisms to provide forward secrecy and post-compromise security during all the rounds of the learning process. In conclusion, PQBFL provides a secure and resilient solution for federated learning that is well-suited to the quantum computing era.
• Abstract（参考訳）: フェデレートラーニング(FL)の目標の1つは、リモート参加者のローカルモデルを使用して、グローバルモデルを協調的にトレーニングすることである。 しかし、FLプロセスは、インターセプションや改ざんモデル、共有勾配による情報漏洩、特に医療環境のような機密性の高い領域において、参加者のアイデンティティやデータを公開するプライバシー侵害など、様々なセキュリティ上の課題に影響を受けやすい。 さらに、量子コンピューティングの出現は、ショアとグローバーのアルゴリズムを通じて既存の暗号プロトコルに重大な脅威をもたらし、FLシステムの通信にセキュリティ上の懸念を引き起こす。 これらの課題に対処するために、ポスト量子暗号(PQC)アルゴリズムとブロックチェーンを用いて、FLシステムにおけるモデルセキュリティと識別IDプライバシを向上させる、PQBFL(Post-Quantum Blockchain-based Protocol for Federated Learning)を提案する。 オフチェーンとオンチェーンチャネルを組み合わせたハイブリッド通信戦略を使用して、コスト効率を最適化し、セキュリティを改善し、ユーザのプライバシを保護し、FLシステムにおける評判ベースの認証の責任を保証します。 PQBFLは、FLの反復性に対するセキュリティ要件に特に対処している。 そのため、学習プロセスのすべてのラウンドにおいて、ラッチ機構を活用して、前もって機密性を提供し、セキュリティを補完する。 結論として、PQBFLは、量子コンピューティング時代に適した、フェデレーション学習のためのセキュアでレジリエントなソリューションを提供する。

関連論文リスト

• VerifBFL: Leveraging zk-SNARKs for A Verifiable Blockchained Federated Learning [2.90114256542208]
  この研究は、信頼できるプライバシ保護と検証可能なフェデレーション学習フレームワークであるVerifBFLを提示する。 VerifBFLは、ローカルトレーニングとアグリゲーションプロセスの両方の妥当性を保証する。 トレーニングデータを推論攻撃から保護するために、VerifBFLは差分プライバシーを利用する。
  論文  参考訳（メタデータ） (2025-01-08T07:32:54Z)
• Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
  産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。 本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。 提案手法の有効性を数値解析により検証した。
  論文  参考訳（メタデータ） (2024-11-04T17:48:02Z)
• Voltran: Unlocking Trust and Confidentiality in Decentralized Federated Learning Aggregation [12.446757264387564]
  我々は、フェデレートラーニング(FL)のための信頼、機密性、堅牢性を達成するために設計された革新的なハイブリッドプラットフォームであるVoltranを紹介する。 FLアグリゲーションをTEEにオフロードして、分離され、信頼され、カスタマイズ可能なオフチェーン実行を提供します。 マルチSGX並列実行戦略を導入することで、複数のFLシナリオに強力なスケーラビリティを提供する。
  論文  参考訳（メタデータ） (2024-08-13T13:33:35Z)
• Enhancing Trust and Privacy in Distributed Networks: A Comprehensive Survey on Blockchain-based Federated Learning [51.13534069758711]
  ブロックチェーンのような分散型アプローチは、複数のエンティティ間でコンセンサスメカニズムを実装することで、魅力的なソリューションを提供する。 フェデレートラーニング(FL)は、参加者がデータのプライバシを保護しながら、協力的にモデルをトレーニングすることを可能にする。 本稿では,ブロックチェーンのセキュリティ機能とFLのプライバシ保護モデルトレーニング機能の相乗効果について検討する。
  論文  参考訳（メタデータ） (2024-03-28T07:08:26Z)
• Blockchain-empowered Federated Learning: Benefits, Challenges, and Solutions [31.18229828293164]
  Federated Learning(FL)は、クライアント上でモデルをトレーニングし、パラメータサーバ上でそれらを集約することによって、ユーザのデータプライバシを保護する分散機械学習アプローチである。 プライバシーの保護には有効だが、FLシステムは単一障害点、インセンティブの欠如、セキュリティの不十分といった制限に直面している。 これらの課題に対処するため、ブロックチェーン技術はFLシステムに統合され、より強力なセキュリティ、公正性、スケーラビリティを提供する。
  論文  参考訳（メタデータ） (2024-03-01T07:41:05Z)
• Foundations of Quantum Federated Learning Over Classical and Quantum Networks [59.121263013213756]
  量子フェデレーション学習(QFL)は、古典的フェデレーション学習(FL)の利点と量子技術の計算能力を統合する新しいフレームワークである。 QFLは古典的通信網と量子的通信網の両方に展開できる。
  論文  参考訳（メタデータ） (2023-10-23T02:56:00Z)
• A Survey on Secure and Private Federated Learning Using Blockchain: Theory and Application in Resource-constrained Computing [0.8029049649310213]
  フェデレートラーニング(FL)は、先進的な機械学習と人工知能の急速なブームにより、近年広く普及している。 FLプロセスのパフォーマンスは脅威になり、サイバー脅威の増加やプライバシー侵害のテクニックによってボトルネックに陥る可能性がある。 FLプロセスの普及を早めるために、FL環境のためのブロックチェーンの統合は、アカデミックや業界の人々から多くの注目を集めている。
  論文  参考訳（メタデータ） (2023-03-24T00:40:08Z)
• FedComm: Federated Learning as a Medium for Covert Communication [56.376997104843355]
  フェデレートラーニング(FL)は、ディープラーニングの採用に伴うプライバシーへの影響を軽減するためのソリューションである。 本稿では,FL方式の通信能力について詳しく検討する。 我々は,新しいマルチシステム被覆通信技術であるFedCommを紹介する。
  論文  参考訳（メタデータ） (2022-01-21T17:05:56Z)
• Blockchain Assisted Decentralized Federated Learning (BLADE-FL) with Lazy Clients [124.48732110742623]
  フェデレートラーニング(FL)にブロックチェーンを統合する新しいフレームワークを提案する。 BLADE-FLは、プライバシー保護、改ざん抵抗、学習の効果的な協力の点で優れたパフォーマンスを持っている。 遅延クライアントは、他人のトレーニングされたモデルを盗聴し、不正行為を隠すために人工的なノイズを加える。
  論文  参考訳（メタデータ） (2020-12-02T12:18:27Z)
• Resource Management for Blockchain-enabled Federated Learning: A Deep Reinforcement Learning Approach [54.29213445674221]
  Federated Learning (BFL)は、機械学習モデル所有者(MLMO)が必要とするニューラルネットワークモデルを、モバイルデバイスが協調的にトレーニングすることを可能にする。 BFLの問題は、モバイルデバイスがシステムの寿命とトレーニング効率を低下させるエネルギーとCPUの制約を持っていることである。 我々は,Deep Reinforcement Learning (DRL) を用いて最適決定を導出することを提案する。
  論文  参考訳（メタデータ） (2020-04-08T16:29:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。