BRFL 是什么？用区块链抵御联邦学习中的恶意节点

BRFL（Blockchain-based Byzantine-Robust Federated Learning）是一种结合区块链的抗攻击联邦学习模型，由北京航空航天大学、广西师范大学等机构的研究人员在 2023 年 10 月提出，论文标题是《BRFL：一种基于区块链的拜占庭鲁棒联邦学习模型》。“拜占庭鲁棒联邦学习”这一研究方向本身更早就已存在，这篇论文提出的是一个具体的方案。

问题：联邦学习里的“内鬼”

随着机器学习的重要性日益提升，训练数据的隐私和安全变得至关重要。联邦学习把数据保存在分布式的节点上，只共享模型参数，因而受到广泛关注。但它面临“拜占庭攻击”问题：这个名字来自计算机科学中著名的“拜占庭将军问题”，指系统中有些节点可能是恶意的或出了故障，会发送错误的信息。在联邦学习中，恶意的本地模型可能在聚合时破坏全局模型的性能。传统的联邦学习依赖一个中心服务器做聚合，这个服务器本身也可能成为攻击目标或单点故障。

BRFL 的两个核心算法

BRFL 把联邦学习和区块链技术结合起来，去掉了对单一中心服务器的依赖，并利用区块链记录不可篡改的特点，保证聚合过程可追溯。它包含两个主要组件。

一是基于皮尔逊相关系数的共识算法（PPCC）。它根据各个本地模型与上一轮全局模型之间的皮尔逊相关系数，来选择下一轮负责聚合的节点：与全局模型方向一致的模型更可信。同时，它用聚合节点自己的本地数据集来验证本地模型的准确性，这也弥补了联邦学习中常常缺少公共测试数据集的问题。

二是基于精度的谱聚类聚合（PSA）算法。它按照模型的精度对各个本地模型进行筛选和加权聚合，精度高的模型权重更大，表现异常的模型则被排除，从而降低恶意模型对全局模型的影响。

意义

论文的实验表明，BRFL 在存在恶意节点的情况下，仍能保持全局模型的性能，表现出较好的鲁棒性。它为多方协作训练中的安全性问题，提供了一种去中心化的解决思路。