A Hierarchical Blockchain-Enabled Secure Aggregation Algorithm for Federated Learning in IoV
Notice bibliographique
Résumé
Federated learning (FL), as a distributed machine learning paradigm, facilitates collaborative training without sharing raw data and holds promise for effective application in the Internet of Vehicles (IoV) for tasks, such as traffic flow prediction and driving behavior analysis. However, the efficiency of FL systems relies on the integrity of the local dataset and the level of user contribution. Vulnerabilities to attacks by malicious users and suboptimal aggregation methods can compromise system performance. To address these issues, this article proposes a blockchain-based FL secure aggregation algorithm to bolster FL robustness. Specifically, in the absence of a centralized trust authority in the IoV, we establish a hierarchical blockchain-empowered IoV reputation management framework that leverages smart contracts to create a trustworthy environment for reputation sharing. Additionally, a lightweight consensus protocol tailored for blockchain efficiency is proposed, thus facilitating a flexible and effective implementation of FL in the IoV. Furthermore, we introduce a reputation-based model selection evaluation scheme and, based on this, a robust FL secure aggregation algorithm. This novel reputation assessment strategy mitigates the effects of interaction uncertainties and integrates a broader spectrum of IoV-specific reputation determinants, thereby enhancing the precision of model selection. The simulation results validate the proposed framework’s superiority in terms of robustness, adaptability, and security.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,008 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».