論文の概要: PQS-BFL: A Post-Quantum Secure Blockchain-based Federated Learning Framework

• arxiv url: http://arxiv.org/abs/2505.01866v1
• Date: Sat, 03 May 2025 17:11:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-06 18:49:35.302523
• Title: PQS-BFL: A Post-Quantum Secure Blockchain-based Federated Learning Framework
• Title（参考訳）: PQS-BFL: セキュアなブロックチェーンベースのフェデレーションラーニングフレームワーク
• Authors: Daniel Commey, Garth V. Crosby,
• Abstract要約: フェデレートラーニング(FL)は、データのプライバシを維持しながら協調的なモデルトレーニングを可能にするが、古典的な暗号基盤は量子攻撃に対して脆弱である。 本稿では,量子暗号とブロックチェーン検証を統合して,量子敵に対するFLを確保するフレームワークであるPQS-BFLを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) enables collaborative model training while preserving data privacy, but its classical cryptographic underpinnings are vulnerable to quantum attacks. This vulnerability is particularly critical in sensitive domains like healthcare. This paper introduces PQS-BFL (Post-Quantum Secure Blockchain-based Federated Learning), a framework integrating post-quantum cryptography (PQC) with blockchain verification to secure FL against quantum adversaries. We employ ML-DSA-65 (a FIPS 204 standard candidate, formerly Dilithium) signatures to authenticate model updates and leverage optimized smart contracts for decentralized validation. Extensive evaluations on diverse datasets (MNIST, SVHN, HAR) demonstrate that PQS-BFL achieves efficient cryptographic operations (average PQC sign time: 0.65 ms, verify time: 0.53 ms) with a fixed signature size of 3309 Bytes. Blockchain integration incurs a manageable overhead, with average transaction times around 4.8 s and gas usage per update averaging 1.72 x 10^6 units for PQC configurations. Crucially, the cryptographic overhead relative to transaction time remains minimal (around 0.01-0.02% for PQC with blockchain), confirming that PQC performance is not the bottleneck in blockchain-based FL. The system maintains competitive model accuracy (e.g., over 98.8% for MNIST with PQC) and scales effectively, with round times showing sublinear growth with increasing client numbers. Our open-source implementation and reproducible benchmarks validate the feasibility of deploying long-term, quantum-resistant security in practical FL systems.
• Abstract（参考訳）: フェデレートラーニング(FL)は、データのプライバシを維持しながら協調的なモデルトレーニングを可能にするが、古典的な暗号基盤は量子攻撃に対して脆弱である。 この脆弱性は、医療のような繊細な領域で特に重要である。 本稿では,PQS-BFL(Post-Quantum Secure Blockchain-based Federated Learning)について紹介する。 ML-DSA-65(FIPS 204標準候補、以前はディリシウム)の署名を使用してモデル更新を認証し、分散検証に最適化されたスマートコントラクトを活用する。 多様なデータセット(MNIST、SVHN、HAR)の広範な評価は、PQS-BFLが、3309バイトの固定署名サイズで効率的な暗号演算(平均PQC符号時間: 0.65ms、検証時間: 0.53ms)を達成することを示した。 ブロックチェーンの統合は管理可能なオーバーヘッドを引き起こし、平均トランザクション時間は約4.8秒、更新あたりのガス使用量は1.72 x 10^6単位である。 重要なことに、トランザクション時間に対する暗号化オーバーヘッドは最小限(ブロックチェーンを使用したPQCでは約0.01-0.02%)であり、PQCのパフォーマンスがブロックチェーンベースのFLのボトルネックではないことを確認している。 このシステムは競合モデルの精度(例えば、MNISTとPQCの98.8%以上)を維持し、クライアント数が増加するにつれて、ラウンドタイムはサブ線形成長を示す。 我々のオープンソース実装と再現可能なベンチマークは、実用FLシステムに長期の量子耐性セキュリティをデプロイする可能性を検証する。

関連論文リスト

• PQBFL: A Post-Quantum Blockchain-based Protocol for Federated Learning [0.0]
  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。
  論文  参考訳（メタデータ） (2025-02-20T11:36:08Z)
• 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)
• 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)
• The Latency Price of Threshold Cryptosystem in Blockchains [52.359230560289745]
  本稿では,Byzantine-fault Tolerant(BFT)コンセンサスプロトコルを用いた,しきい値暗号とブロックチェーンのクラス間の相互作用について検討する。 しきい値暗号システムに対する既存のアプローチは、しきい値暗号プロトコルを実行するための少なくとも1つのメッセージ遅延の遅延オーバーヘッドを導入している。 しきい値が狭いブロックチェーンネイティブのしきい値暗号システムに対して,このオーバーヘッドを取り除く機構を提案する。
  論文  参考訳（メタデータ） (2024-07-16T20:53:04Z)
• 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)
• zkDFL: An efficient and privacy-preserving decentralized federated learning with zero-knowledge proof [3.517233208696287]
  フェデレートラーニング(FL)は、様々な分野の研究やビジネスで広く採用されている。 従来の中央集権的なFLシステムは深刻な問題に悩まされている。 ゼロ知識証明(ZKP)に基づくアグリゲータ(zkDFL)を提案する。
  論文  参考訳（メタデータ） (2023-12-01T17:00:30Z)
• Quantum-resistance in blockchain networks [46.63333997460008]
  本稿では、ブロックチェーンネットワークにおける量子脅威を特定し、排除するために、米国間開発銀行、IDBラボ、LACChain、量子コンピューティング(CQC)、Tecnologicalo de Monterreyによる研究について述べる。 量子コンピューティングの出現は、非量子耐性暗号アルゴリズムを利用するため、インターネットプロトコルやブロックチェーンネットワークを脅かす。
  論文  参考訳（メタデータ） (2021-06-11T23:39:25Z)
• Quantum Multi-Solution Bernoulli Search with Applications to Bitcoin's Post-Quantum Security [67.06003361150228]
  作業の証明(英: proof of work、PoW)は、当事者が計算タスクの解決にいくらかの労力を費やしたことを他人に納得させることができる重要な暗号構造である。 本研究では、量子戦略に対してそのようなPoWの連鎖を見つけることの難しさについて検討する。 我々は、PoWs問題の連鎖が、マルチソリューションBernoulliサーチと呼ばれる問題に還元されることを証明し、量子クエリの複雑さを確立する。
  論文  参考訳（メタデータ） (2020-12-30T18:03:56Z)
• 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。