論文の概要: LiFeChain: Lightweight Blockchain for Secure and Efficient Federated Lifelong Learning in IoT

• arxiv url: http://arxiv.org/abs/2509.01434v1
• Date: Mon, 01 Sep 2025 12:44:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.695949
• Title: LiFeChain: Lightweight Blockchain for Secure and Efficient Federated Lifelong Learning in IoT
• Title（参考訳）: LiFeChain:IoTのセキュアで効率的なフェデレーション寿命学習のための軽量ブロックチェーン
• Authors: Handi Chen, Jing Deng, Xiuzhe Wu, Zhihan Jiang, Xinchen Zhang, Xianhao Chen, Edith C. H. Ngai,
• Abstract要約: 生涯学習(英語版)(FLL)は、破滅的な忘れを克服するために、フェデレーションと生涯学習を取り入れた理想的なソリューションを提供する。 IoTシステムにおけるFLLのライフサイクル拡張は、永続的な攻撃に対する脆弱性を増加させる。 安全かつ効率的なフェデレーション生涯学習のためのタンパー耐性ブロックチェーンLiFeChainを提案する。
• 参考スコア（独自算出の注目度）: 17.791144678298455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The expansion of Internet of Things (IoT) devices constantly generates heterogeneous data streams, driving demand for continuous, decentralized intelligence. Federated Lifelong Learning (FLL) provides an ideal solution by incorporating federated and lifelong learning to overcome catastrophic forgetting. The extended lifecycle of FLL in IoT systems increases their vulnerability to persistent attacks, and these risks may be obscured by performance degradation caused by spatial-temporal data heterogeneity. Moreover, this problem is exacerbated by the standard single-server architecture, as its single point of failure makes it difficult to maintain a reliable audit trail for long-term threats. Blockchain provides a tamper-proof foundation for trustworthy FLL systems. Nevertheless, directly applying blockchain to FLL significantly increases computational and retrieval costs with the expansion of the knowledge base, slowing down the training on IoT devices. To address these challenges, we propose LiFeChain, a lightweight blockchain for secure and efficient federated lifelong learning by providing a tamper-resistant ledger with minimal on-chain disclosure and bidirectional verification. To the best of our knowledge, LiFeChain is the first blockchain tailored for FLL. LiFeChain incorporates two complementary mechanisms: the proof-of-model-correlation (PoMC) consensus on the server, which couples learning and unlearning mechanisms to mitigate negative transfer, and segmented zero-knowledge arbitration (Seg-ZA) on the client, which detects and arbitrates abnormal committee behavior without compromising privacy. LiFeChain is designed as a plug-and-play component that can be seamlessly integrated into existing FLL algorithms. Experimental results demonstrate that LiFeChain not only enhances model performance against two long-term attacks but also sustains high efficiency and scalability.
• Abstract（参考訳）: IoT(Internet of Things)デバイスの拡張は、不均一なデータストリームを常に生成し、継続的分散インテリジェンスへの需要を加速させる。 フェデレーション・ライフロング・ラーニング(FLL)は、破滅的な忘れを克服するためにフェデレーションと生涯学習を統合することで理想的なソリューションを提供する。 IoTシステムにおけるFLLのライフサイクルは、永続的な攻撃に対する脆弱性を増大させ、これらのリスクは、空間的時間的データの不均一性に起因するパフォーマンス劣化によって隠蔽される可能性がある。 さらに、単一障害点が長期的脅威に対する信頼性のある監査証跡の維持を困難にしているため、標準の単一サーバアーキテクチャによってこの問題が悪化する。 Blockchainは、信頼できるFLLシステムのためのタンパー保護基盤を提供する。 それでも、FLLにブロックチェーンを直接適用することで、知識ベースの拡大による計算コストと検索コストが大幅に増加し、IoTデバイスのトレーニングが遅くなる。 これらの課題に対処するために、最小限のオンチェーン開示と双方向検証を備えたタンパー耐性台帳を提供することにより、セキュアで効率的なフェデレーション生涯学習のための軽量ブロックチェーンLiFeChainを提案する。 私たちの知る限りでは、LiFeChainはFLL用にカスタマイズされた最初のブロックチェーンです。 LiFeChainには2つの補完的なメカニズムが組み込まれている。サーバ上の実証モデル相関(PoMC)コンセンサスでは、負の転送を緩和するための学習と未学習のメカニズムを結合し、クライアント上でゼロ知識仲裁(Seg-ZA)をセグメント化することで、プライバシーを損なうことなく異常な委員会行動を検出し、調停する。 LiFeChainは、既存のFLLアルゴリズムにシームレスに統合できるプラグイン・アンド・プレイコンポーネントとして設計されている。 実験の結果,LiFeChainは2つの長期攻撃に対してモデル性能を向上させるだけでなく,高い効率とスケーラビリティも維持できることがわかった。

関連論文リスト

• Federated Learning-Enhanced Blockchain Framework for Privacy-Preserving Intrusion Detection in Industrial IoT [0.0]
  産業用IoT(Industrial Internet of Things, IIoT)システムはスマートマニュファクチャリングに不可欠なものになっています。 従来の侵入検知システム(IDS)は、データプライバシやレイテンシ、単一障害点に対する懸念を高める集中型アーキテクチャに依存することが多い。 我々は、IIoT環境に適したプライバシー保護侵入検知のための新しいFederated Learning-Enhanced Framework(FL-BCID)を提案する。
  論文  参考訳（メタデータ） (2025-05-21T11:11:44Z)
• LiteChain: A Lightweight Blockchain for Verifiable and Scalable Federated Learning in Massive Edge Networks [9.88069294667058]
  フェデレートラーニング(FL)におけるブロックチェーンの活用は、MEN(Massive Edge Networks)におけるセキュアなコラボレーティブラーニングの新たなパラダイムとして現れます。 我々は、MENで効率的かつセキュアなサービスを提供するために、検証可能でスケーラブルなFL、すなわちLiteChainのための軽量ブロックチェーンを提案する。 本稿では,包括的ビザンチンフォールトトレランス(CBFT)コンセンサス機構と,LiteChainによるモデルトランザクションのセキュリティを確保するセキュアな更新機構を導入する。
  論文  参考訳（メタデータ） (2025-03-06T06:38:58Z)
• 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)
• Personalized Wireless Federated Learning for Large Language Models [75.22457544349668]
  大規模言語モデル(LLM)は、無線ネットワークにおいて大きな変革をもたらしている。 無線環境では、LLMのトレーニングはセキュリティとプライバシに関する重大な課題に直面している。 本稿では,無線ネットワークにおけるLLMのトレーニング段階の体系的解析を行い,事前学習,命令チューニング,アライメントチューニングを行う。
  論文  参考訳（メタデータ） (2024-04-20T02:30:21Z)
• Defending Against Poisoning Attacks in Federated Learning with Blockchain [12.840821573271999]
  ブロックチェーンと分散台帳技術に基づくセキュアで信頼性の高いフェデレーション学習システムを提案する。 本システムでは,オンチェーン型スマートコントラクトを利用したピアツーピア投票機構と報酬アンドスラッシュ機構を組み込んで,悪意ある行動の検出と検出を行う。
  論文  参考訳（メタデータ） (2023-07-02T11:23:33Z)
• FLock: Defending Malicious Behaviors in Federated Learning with Blockchain [3.0111384920731545]
  Federated Learning(FL)は、複数のデータ所有者(クライアント)が協力して機械学習モデルをトレーニングできるようにする、有望な方法だ。 ブロックチェーン上に構築されたセキュアで信頼性の高い分散型FLシステムであるFLockを実現するために,分散台帳技術(DLT)を利用することを提案する。
  論文  参考訳（メタデータ） (2022-11-05T06:14:44Z)
• RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
  フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。 クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。 悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
  論文  参考訳（メタデータ） (2021-07-07T15:42:49Z)
• ESCORT: Ethereum Smart COntRacTs Vulnerability Detection using Deep Neural Network and Transfer Learning [80.85273827468063]
  既存の機械学習ベースの脆弱性検出方法は制限され、スマートコントラクトが脆弱かどうかのみ検査される。 スマートコントラクトのための初のDeep Neural Network(DNN)ベースの脆弱性検出フレームワークであるESCORTを提案する。 ESCORTは6種類の脆弱性に対して平均95%のF1スコアを達成し,検出時間は契約あたり0.02秒であることを示す。
  論文  参考訳（メタデータ） (2021-03-23T15:04:44Z)
• 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。