九思札记 · 探索区块链 · AI

联邦学习（Federated Learning）让"数据不动，模型动"。但模型聚合的信任问题怎么办？谁来保证聚合者诚实？区块链加上经济激励和透明记录，成为联邦学习的天然搭档。

11.3.1 联邦学习基础

sequenceDiagram
    participant A as 参与方A<br/>(本地数据)
    participant B as 参与方B<br/>(本地数据)
    participant BC as 区块链<br/>(信任锚 + 激励)
    participant S as 全局模型聚合者
    S->>A: 下发全局模型 w_t
    S->>B: 下发全局模型 w_t
    A->>A: 本地训练 → w_{t+1}^{(A)}
    B->>B: 本地训练 → w_{t+1}^{(B)}
    A->>BC: 上传梯度/模型更新
    B->>BC: 上传梯度/模型更新
    BC->>BC: 校验 + 记录 + 激励分配
    BC->>S: 可信聚合输入
    S->>S: FedAvg 加权平均
    S->>A: 更新全局模型 w_{t+1}
    S->>B: 更新全局模型 w_{t+1}

标准 FedAvg 协议

w_{t+1} = \frac{1}{|\mathcal{S}_t|} \sum_{i \in \mathcal{S}_t} w_{t+1}^{(i)}

其中 $w_{t+1}^{(i)}$ 是参与者 $i$ 在第 $t$ 轮的本地更新。聚合者计算全局模型，参与者只上传梯度，不下传原始数据。

隐私威胁

攻击类型	能力	威胁
梯度推断	看到梯度，反推训练样本	差分隐私保护
拜占庭参与者	上传有毒梯度	鲁棒聚合（ trimmed mean / Krum）
共谋	多个攻击者的联合推断	多方安全计算

11.3.2 区块链作为联邦学习的信任锚

区块链解决联邦学习的拜占庭聚合者问题：

typescript

/**
 * 链上联邦学习协调：用智能合约替换可信聚合者
 */
interface LocalUpdate {
  participant: string;
  round: number;
  gradientHash: string;  // 不直接上链接度（太大），只上链 hash
  stake: bigint;         // 经济质押
}

interface AggregationContract {
  updates: Map<string, LocalUpdate[]>;
  rewards: Map<string, bigint>;

  submitUpdate(update: LocalUpdate, signature: string): void {
    // 验证：参与者签名、质押足够、轮次正确
    // 真正梯度通过 IPFS 传输（经济上链总不可能）
    this.updates.get(update.round)?.push(update);
  }

  finalizeRound(round: number, aggregatedHash: string, proof: string): void {
    // 聚合者在链下完成聚合，上链提交最终哈希和 TEE / zk 证明
    // 智能合约验证 proof 正确
    // 如果正确，解锁质押的奖励
    
    // 参与者奖励与他们 upload 的 hash 的 "数据量证明" 挂钩
    const roundUpdates = this.updates.get(round) || [];
    for (const u of roundUpdates) {
      // 简化的声誉 + 质押机制
      const base = u.stake; 
      this.rewards.set(u.participant, (this.rewards.get(u.participant) || 0n) + base);
    }
  }
}

11.3.3 差分隐私与噪声注入

为了保护参与者，在本地梯度上添加高斯噪声：

\tilde{g}_i = g_i + \mathcal{N}(0, \sigma^2 \cdot C^2 \cdot \mathbb{I})

其中 $C$ 是梯度裁剪边界， $\sigma = \frac{C\sqrt{2\ln(1.25/\delta)}}{\varepsilon}$ 。链上可验证参数： $\sum_i \tilde{g}_i$ 的噪声期望为零，可审计。

11.3.4 去中心化 vs 性能的权衡

维度	中心化 FedAvg	链上联邦学习
聚合者信任	需信任服务器	智能合约 + 质押
共识延迟	秒级	分钟级
成本	低	Gas/手续费
可审计性	日志不透明	链上透明
拜占庭容错	差	原生支持

当前应用：DATA DAO、Ocean Protocol 上的隐私计算市场、医疗数据协作。

> ← 上一节：11.2 去中心化AI | 前往 → 11.4 可验证计算与zkML |*

本页目录