Una arquitectura de aprendizaje federado habilitada por blockchain escalable para la computación en el borde

Se han explorado diversas técnicas de aprendizaje profundo, incluidas enfoques basados en blockchain, para desbloquear el potencial del procesamiento de datos en el borde y la inteligencia resultante. Sin embargo, los estudios existentes a menudo pasan por alto los requisitos de recursos del procesamiento de consenso de blockchain en configuraciones típicas de redes de Internet de las Cosas (IoT) en el borde. Este documento presenta nuestro enfoque FLCoin. Específicamente, proponemos un método novel basado en comités para el procesamiento de consenso en el que los miembros del comité son elegidos a través del proceso de FL. Además, empleamos una arquitectura de blockchain de dos capas para el procesamiento de aprendizaje federado (FL) para facilitar la integración sin problemas de las técnicas de blockchain y FL. Nuestro análisis revela que la sobrecarga de comunicación se mantiene estable a medida que aumenta el tamaño de la red, asegurando la escalabilidad de nuestro sistema de FL basado en blockchain. Para evaluar el rendimiento del método propuesto, se realizaron experimentos utilizando el conjunto de datos MNIST para entrenar un modelo estándar de CNN de cinco capas. Nuestra evaluación demostró la eficiencia de FLCoin. Con un número creciente de nodos participando en el entrenamiento del modelo, la latencia de consenso se mantuvo por debajo de 3 s, resultando en un bajo tiempo total de entrenamiento. Notablemente, en comparación con un sistema de FL basado en blockchain que utiliza PBFT como protocolo de consenso, nuestro enfoque logró una mejora del 90% en la sobrecarga de comunicación y una reducción del 35% en el costo del tiempo de entrenamiento. Nuestro enfoque garantiza una solución eficiente y escalable, permitiendo la integración de blockchain y FL en redes de IoT en el borde. La arquitectura propuesta proporciona una base sólida para construir servicios inteligentes de IoT.