تحسين آلية OPENFL لتجنب هجمات تسميم التعلم الموحد في شبكات سلاسل الكتل

الملخص

يمثل دمج التعلم الموحد مع سلاسل الكتل نموذجاً واعداً لأنظمة الذكاء الاصطناعي التعاونية التي تحافظ على الخصوصية. مع ذلك، فإن هذه البيئات اللامركزية عرضة لهجمات التسميم، حيث يمكن للمشاركين الخبيثين تخريب النموذج النهائي من خلال إرسال تحديثات خبيثة. تقترح هذه الورقة البحثية آلية محسنة لمواجهة هجمات Random Noise Attack ضمن بيئات التعلم الموحد المعتمدة على سلاسل الكتل. تعتمد الآلية المُحسّنة على بنية آلية OPENFL مع تحسين طريقة اتخاذ قرار التصويت داخلها، وذلك باستبدال التقييم المعتمد على دقة النموذج وبيانات التحقق بتشابه جيب التمام الذي يقيس توافق اتجاهات الأوزان. قارنا الآلية المقترحة مع OPENFL الأصلية المُعتمدة على بيانات التحقق وFEDCHALLENGERالتي تستخدم تشابه جيب التمام وFEDRDF التي تستخدم تحويل فورييه السريع وذلك اعتماداً على عدة مقاييس هي الكفاءة والتكلفة الزمنية وGAS COST. أظهرت تجاربنا التي أجريناها على شبكة Ethereum محلية باستخدام محاكي ganache ومجموعة بيانات MNIST ونموذج الشبكة العصبية الالتفافية (CNN)، أن الآلية المُحسّنة حافظت على الكفاءة وحسّنت التكلفة الزمنية بنسبة 62.9% مقارنةً بآلية OPENFL الأصلية دون أن تتسبب بزيادة في التكلفة (GAS) على شبكة Ethereum.