블록체인 기반: 데이터 프라이버시를 위한 다계층 보안 연합 학습 플랫폼

프라이버시와 데이터 보안은 최근 몇 년간 규제당국의 새로운 뜨거운 주제가 되었습니다. 그 결과, 연합 학습(FL) (협업 학습이라고도 함)은 여러 개의 지리적으로 분산된 노드가 데이터를 공유하지 않고도 함께 딥 러닝(DL) 모델을 학습할 수 있는 새로운 훈련 패러다임으로 등장했습니다. 블록체인은 많은 분야에서 데이터 보호와 프라이버시가 우려되는 가운데 새로운 트렌드로 자리 잡고 있습니다. 기술은 세계를 이끌고 있으며 모든 것이 접근 가능하고 투명한 글로벌 마을로 변모하고 있습니다. 우리는 FL을 사용하여 데이터 공유 없이 개선된 DL 모델을 생성하고 데이터에 대한 높은 보안 및 접근 권한을 통해 프라이버시를 향상시킬 수 있는 블록체인 지원 보안 모델을 제시했습니다. 그러나 기존의 FL 접근 방식 역시 악의적인 행위자가 exploit할 수 있는 고유한 보안 취약점을 가지고 있습니다. FL 방법은 다른 알려진 접근 방식과 비교됩니다. 사용자는 로컬이지만 비공식적인 데이터를 서버에 제공하고 ML 애플리케이션을 사용하며, 다른 사용자의 데이터로부터 이익을 보지 않고 장치에서 ML 작업을 수행하며, 원시 데이터에 대한 직접 접근과 ML 모델의 로컬 훈련을 방지하는 후자의 옵션을 선택할 가능성이 더 높습니다. FL은 장치에 원시 데이터를 저장하고 로컬에서 계산된 모델 업데이트를 결합함으로써 데이터 프라이버시를 보호하고 데이터 전송 오버헤드를 줄입니다. 우리는 이더리움 네트워크와 함께 구축된 블록체인 지원 FL 시스템과 전통적인 FL 시스템(블록체인 없는) 하에서의 데이터 및 모델 중독 공격의 가능성을 조사했습니다. 이 작업은 참여하는 분산 노드 간에 좋은 행동을 장려하고 일반적인 문제를 피할 수 있는 투명한 인센티브 메커니즘을 제안함으로써 지식 격차를 해소하며, 현재 FL 시스템을 조사함으로써 FL 보안 문헌에 대한 지식을 제공합니다.