Бул изилдөөдө сунушталган система жергиликтүү окутуу маалыматтарын борбордук чекитке көчүрбөстөн жалпы машиналык үйрөнүү моделин иштеп чыгууну көздөгөн федеративдик окутууну; уруксат берилген Hyperledger Fabric блокчейни, колдонуучуларды динамикалык топтоо, топко негизделген кошумча бөлүштүрүү, убактылуу маскалоо жана абройго негизделген координация менен айкалыштырган купуялуулукту сактоочу биргелешкен үйрөнүү алкагы болуп саналат. Колдонуучулардын чийки окутуу маалыматтары блокчейнге жүктөлбөйт. Жергиликтүү градиенттер да түздөн-түз чынжырга жазылбайт; адегенде эки же үч колдонуучудан турган топтордо үлүштөргө бөлүнөт, үлүш деңгээлиндеги маанилер убактылуу кокустук векторлор менен маскаланат жана ушул маскаланган маанилер менен топтоштурууга тиешелүү жазуулар гана уруксат берилген реестрге өткөрүлөт.

Алкак ар бир байланыш раундунда колдонуучуларды абройуна жана кызматташууга даярдыгына жараша эки же үч адамдык топторго бөлөт. Жергиликтүү градиенттер чектүү талаада кошумча үлүштөргө айландырылат; жүктөлгөн ар бир үлүш деңгээлиндеги маани өзүнчө кокустук вектор менен маскаланат. Кокустук векторлордун керектүү суммасы колдонуучу чыгып кетсе же зарыл калыбына келтирүү маалыматы берилбей калса, ыйгарым укуктуу калыбына келтирүү комитети тарабынан босого негизиндеги механизм менен колдоого алынат. Hyperledger Fabric катмары болсо аутентификация, chaincode аткаруу, endorsement, иреттөө, текшерүү жана аудитке жарактуу жазуу милдеттерин аткарат.

Proof-of-concept эксперименттери MNIST маалыматтар топтомунда жүргүзүлгөн. Эки тараптуу кошумча бөлүштүрүү операциясы болжол менен 12,6 ms, үч тараптуу бөлүштүрүү болжол менен 16,9 ms созулган. Макаланын текстинде сунушталган ыкма салыштырма MNIST экспериментинде %99,6 тактыкка жеткени айтылса, 8-сүрөттөгү белги %99,56 болуп көрсөтүлгөн. Авторлор билдирген айырма салыштырылган ыкмаларга карата 1,06дан 3,96 пайыздык пунктка чейин. Ошол эле учурда жыйынтыктар бааланган прототиптик чөйрөгө гана тиешелүү: изилдөө толук simulation-based криптографиялык коопсуздук далилин бербейт, Byzantine model poisoning же чексиз collusion каршы коопсуздукту көрсөтпөйт жана чыныгы саламаттык маалыматтарында клиникалык текшерүү жүргүзбөйт.

Федеративдик окутууда купуялуулук көйгөйү кайсы жерде пайда болот?

Федеративдик окутуунун негизги идеясы — чийки маалыматтарды колдонуучунун түзмөгүндө сактоо жана борбордук окутуу үчүн маалыматтын өзүн эмес, модель параметрлери же градиенттер сыяктуу жаңыртуу маалыматтарын бөлүшүү. Бул ыкма чийки маалыматтарды түздөн-түз борборлоштурууну алдын алганы менен, модель жаңыртууларынын өзү да маалымат ташышы мүмкүн. Ошондуктан булак изилдөө “чийки маалымат чынжырга кетпейт” деген шартты өз алдынча жетиштүү купуялуулук кепилдиги катары баалабайт; айрыкча жеке жергиликтүү жаңыртуулардын түз көрүнүшүн азайтууга басым жасайт.

Бир \(u_i\) колдонуучусунун жергиликтүү маалыматтар топтому булакта

\[ D_i=\{(x_{i,k},y_{i,k})\}_{k=1}^{N_i} \]

түрүндө аныкталат. Бул жерде \(N_i\) — колдонуучудагы жергиликтүү үлгүлөрдүн саны. \(x_{i,k}\) киргизүү үлгүсүн, \(y_{i,k}\) болсо белгини көрсөтөт.

Байланыш раунду \(t\) мезгилинде глобалдык модель параметр вектору \(W^{(t)}\) болсо, колдонуучунун эмпирикалык жоготуусу

\[ L_i(W^{(t)})= \frac{1}{N_i} \sum_{k=1}^{N_i} \ell\left( f(x_{i,k};W^{(t)}),y_{i,k} \right) \]

менен берилет. Жергиликтүү градиент

\[ g_i^{(t)}=\nabla L_i(W^{(t)}) \]

түрүндө эсептелет жана булакта жергиликтүү модель жаңыртуусу

\[ W_i^{(t+1)} = W^{(t)}-\alpha g_i^{(t)} \]

түрүндө берилет. Бул формуладагы \(\alpha>0\) булакта үйрөнүү ылдамдыгы катары аныкталган.

Сунушталган протоколдун купуялуулукка кийлигишүүсү \(g_i^{(t)}\) градиенти ушул бойдон блокчейнге жүктөлөрдөн мурда ишке ашат. Градиент адегенде чектүү талаада коддолот, чакан топ ичинде кошумча үлүштөргө бөлүнөт жана чынжырга жөнөтүлө турган үлүш деңгээлиндеги маани кошумча түрдө убактылуу кокустук вектор менен маскаланат.

Hyperledger Fabric эмне үчүн колдонулат?

Изилдөө жалпы permissionless blockchain же Proof-of-Work системасын курбайт. Hyperledger Fabric тармакка кимдер катыша алары көзөмөлдөнгөн уруксат берилген блокчейн платформасы катары колдонулат. Fabric peers транзакцияларды endorsement, ordering, validation жана ledger commitment этаптарынан өткөрөт, ал эми chaincode үлүш деңгээлиндеги жазуулар жана топтоштуруу процессине тиешелүү логиканы аткарат.

Система беш негизги объектти камтыйт: жергиликтүү маалыматтар менен окутуу жүргүзгөн кардарлар; ыйгарым укуктуу Fabric peers; smart contract функциясын аткарган chaincode; сертификатка негизделген мүчөлүк кызматы жана убактылуу маскалоо векторлорун зарыл учурда threshold механизми аркылуу калыбына келтирүүнү камсыз кылган ыйгарым укуктуу калыбына келтирүү комитети.

Калыбына келтирүү комитети

\[ C_{\mathrm{rec}}=\{c_1,c_2,\ldots,c_h\} \]

көптүгү менен, зарыл босого болсо

\[ \tau_{\mathrm{rec}}\in\{1,2,\ldots,h\} \]

менен аныкталат. Кеминде \(\tau_{\mathrm{rec}}\) жарактуу калыбына келтирүү үлүшү болмоюнча жетишпеген кокустук вектор салымын кайра түзүүгө болбойт. Комитеттин милдети жергиликтүү модель окутууга катышуу эмес, ишенимдүү калыбына келтирүү чөйрөсүндө глобалдык топтоштуруу үчүн керектүү жалпы кокустук векторду түзө алуу.

Динамикалык топтоо кандай иштейт?

Динамикалык топтоо ар бир байланыш раундунда колдонуучуларды адегенде аброй боюнча иреттеп, эки тараптуу шайкештик упайлары менен эки колдонуучулук өзөк топторду түзүп, жетиштүү кеңейтүү упайы болсо топту үч колдонуучуга чейин кеңейткен; жупташпай калган колдонуучуларды болсо аброй упайлары менен системалуу түрдө бөлүштүргөн эки баскычтуу топтоо механизми.

Байланыш раунду \(t\) мезгилинде колдонуучулардын жуп болуп иштөөгө даярдыгын көрсөткөн матрица

\[ \Omega^{(t)} = \left(w_{ij}^{(t)}\right)_{m\times m} \]

деп аныкталат. Булакта

\[ w_{ij}^{(t)}\in\{0,1,2\} \]

болуп, 2 жогорку, 1 орточо, 0 төмөн даярдыкты билдирет. Эки колдонуучунун ортосундагы эки тараптуу шайкештик

\[ s_{ij}^{(t)} = w_{ij}^{(t)}+w_{ji}^{(t)} \]

менен эсептелет.

Ар бир раунддун башында али топко дайындала элек колдонуучулар аброй упайлары боюнча чоңдон кичинеге иреттелет. Эң жогорку абройлуу колдонуучу демилгечи болуп, өзү менен эң жогорку \(s_{ij}^{(t)}\) упайын берген жупташпаган колдонуучуну тандайт. Упайлар тең болсо, адегенде жогорку аброй, андан кийин туруктуу колдонуучу идентификаторунун ирети чечүүчү болот.

Эки мүчөлүү \(\{u_i,u_j\}\) өзөк топ түзүлгөндө үчүнчү талапкер \(u_k\) үчүн кеңейтүү упайы

\[ c_{ij,k}^{(t)} = s_{ik}^{(t)}+s_{jk}^{(t)} \]

эсептелет. Эгер

\[ \max_{u_k} c_{ij,k}^{(t)}\geq\tau_3 \]

болсо, эң жогорку упай алган талапкер топко кошулат жана үч колдонуучулук топ түзүлөт. Болбосо топ эки адамдык бойдон калат.

Жупташпай калган колдонуучулар кандай иштетилет?

Ыктыярдуу топтоо этабынан кийин калган колдонуучулардын көптүгү \(R\) менен белгиленет. Кеминде үч колдонуучу калса, аброй иретиндеги алгачкы үч колдонуучу кайталап бириктирилет. Так эки колдонуучу калса, түздөн-түз эки адамдык топ түзүлөт. Бир колдонуучу калса, система буга чейин дайындалган колдонуучулардын ичинен аброю эң төмөн колдонуучунун тобун табат. Ал топ эки адамдык болсо, калган колдонуучу үчүнчү мүчө болот. Эгер топ буга чейин үч адамдык болсо, төрт колдонуучу убактылуу бириктирилип, аброй боюнча иреттелет да эки эки адамдык топко кайра бөлүнөт.

Ошондуктан даярдык матрицасы ыктыярдуу жупташтырууда гана колдонулат. Калдык колдонуучуларды системалык деңгээлде бөлүштүрүүнү болсо аброй упайлары аныктайт. Авторлор эки жана үч колдонуучулук топ чектөөсү теориялык жактан оптималдуу экенин айтышпайт; бул тандоо ишке ашыруунун жөнөкөйлүгү жана байланыш натыйжалуулугу себептери менен жасалган протоколдук дизайн.

Аброй упайы эмнени өлчөйт?

Аброй механизми колдонуучу сунуштаган жаңыртуунун жалпы туруктуу текшерүү топтомундагы көрсөткүчүн башка катышуучулар менен салыштырып, кийинки топтоо раунддарында колдонулуучу иреттөө сигналын түзөт. Булак муну универсалдуу же формалдуу түрдө оптималдуу колдонуучу баалуулугунун өлчөмү катары эмес, уруксат берилген системада колдонулган эвристикалык координация механизми катары аныктайт.

Бир \(u_i\) кардарынын \(t\) раундундагы аброю \(B_i^{(t)}\in(0,1)\) үчүн булакта берилген жаңыртуу түзүмү төмөнкүдөй:

\[ B_i^{(t+1)} = \frac{1}{ 1+ \exp\left[ -\alpha B_i^{(t)} \left( 1+ \frac{1}{|M^{(t)}|-1} \sum_{n\in M^{(t)}\setminus\{i\}} \left( Acc_i^{(t)}-Acc_n^{(t)} \right) \right) \right] }. \]

Бул жерде \(M^{(t)}\) ошол раундга катышкан кардарлардын көптүгү. \(Acc_i^{(t)}\) — ыйгарым укуктуу инфраструктура бардык колдонуучулар үчүн жалпы сактаган туруктуу \(D_{\mathrm{val}}\) текшерүү топтомундагы тактык мааниси. Сумма мүчөсү \(u_i\) колдонуучусунун башка катышуучуларга салыштырмалуу орточо тактык артыкчылыгын билдирет. Sigmoid түзүмү чыгууну \((0,1)\) аралыгында кармайт.

Белгилөө чеги: Булак бул жерде \(\alpha\) параметрин аброй жаңыртуусунун сезимталдыгын көзөмөлдөгөн параметр катары аныктайт. Ошол эле белги мурда жергиликтүү модель жаңыртуусунда үйрөнүү ылдамдыгы үчүн да колдонулган. Булак булар сөзсүз бир эле гиперпараметр экенин айтпагандыктан, эки ролду өзүнчө контексттерде баалоо керек.

Кошумча бөлүштүрүү жана убактылуу маскалоо бирге кандай иштейт?

Жергиликтүү градиент адегенде чектүү талаада бир нече кошумча үлүшкө бөлүнөт; ар бир топ мүчөсү үлүштөрдүн биригишинен гана түзүлгөн үлүш деңгээлиндеги маанини алып жүрөт жана чынжырга жөнөтүлө турган бул мааниге көз карандысыз кокустук вектор кошулуп кошумча маскаланат, ошентип жеке градиенттин же маскаланбаган үлүш деңгээлиндеги сумманын түздөн-түз реестрге жазылышы алдын алынат.

Чыныгы сандан чектүү талаага коддоо

Жергиликтүү градиенттер табигый түрдө

\[ g_i^{(t)}\in\mathbb{R}^{p} \]

мейкиндигинде болот. Кошумча бөлүштүрүү үчүн булак аларды fixed-point коддоо картасы менен

\[ Q_q:\mathbb{R}^{p}\rightarrow\mathbb{F}_q^{p} \]

аркылуу

\[ \bar g_i^{(t)}\in\mathbb{F}_q^{p} \]

векторлоруна айлантат. Тескери багытта

\[ D_q:\mathbb{F}_q^{p}\rightarrow\mathbb{R}^{p} \]

декоддоо картасы колдонулат.

Булактын маанилүү божомолу тандалган модуль \(q\) менен fixed-point тактыгы бир раунддагы градиенттерди, үлүштөрдү, маскалоо векторлорун жана аралык суммаларды көрсөтүүгө жетиштүү кенен болушу керек. Башкача айтканда, эсептөө учурунда модулдук ашып кетүү, башкача айтканда wrap-around болбошу керек. Бул шартта чектүү талаадагы сумма так; чыныгы сандар мейкиндигине кайтууда fixed-point коддоо себептүү квантташтыруу катасы болушу мүмкүн.

Бир градиент үлүштөргө кантип бөлүнөт?

Бир топ

\[ G=\{u_{a_1},u_{a_2},\ldots,u_{a_s}\}, \qquad s\in\{2,3\} \]

болсун. \(u_{a_r}\) кардары коддолгон градиентин \(s\) үлүшкө бөлөт:

\[ \bar g_{a_r}^{(t)} = \sum_{\ell=1}^{s} [\bar g_{a_r}^{(t)}]_{\ell} \qquad \text{in }\mathbb{F}_q^{p}. \]

Алгачкы \(s-1\) үлүш \(\mathbb{F}_q^p\) ичинен көз карандысыз жана бирдей ыктымалдыкта кокустук тандалат. Акыркы үлүш болсо сумма баштапкы градиентти бергидей

\[ [\bar g_{a_r}^{(t)}]_s = \bar g_{a_r}^{(t)} - \sum_{\ell=1}^{s-1} [\bar g_{a_r}^{(t)}]_{\ell} \]

түрүндө аныкталат.

Ар бир топ мүчөсү ар бир катышуучудан бирден үлүш алгандан кийин \(j\)-мүчө алып жүргөн үлүш деңгээлиндеги маани

\[ s_j^{(t)} = \sum_{r=1}^{s} [\bar g_{a_r}^{(t)}]_j \]

болот. Бул түзүм

\[ \sum_{j=1}^{s}s_j^{(t)} = \sum_{r=1}^{s}\bar g_{a_r}^{(t)} \]

теңдигин сактайт. Ошентип бардык үлүштөр туура кайра кошулганда топ градиенттеринин коддолгон суммасы алынат; бирок жеке коддолгон градиенттер блокчейнге plaintext түрүндө жөнөтүлбөйт.

Убактылуу маскалоо эмне үчүн экинчи катмарды кошот?

Үлүш деңгээлиндеги сумма бардык жүктөөлөр аяктаганга чейин эрте алынбашы үчүн ар бир кардар

\[ r_i^{(t)}\in\mathbb{F}_q^p \]

кокустук векторун түзөт. Адегенде бул вектор үчүн

\[ C_i^{(t)} = H\left(t\parallel i\parallel r_i^{(t)}\right) \]

hash commitment жазылат. Андан кийин блокчейнге жөнөтүлө турган маани

\[ z_i^{(t)} = s_i^{(t)}+r_i^{(t)} \]

болот.

\(H(\cdot)\) криптографиялык hash функциясын, \(\parallel\) болсо бириктирүү операциясын билдирет. Кокустук вектордун өзү кеңири жарыяланбайт. Зарыл калыбына келтирүү маалыматы ишенимдүү калыбына келтирүү чөйрөсүнө гана жөнөтүлөт.

Колдонуучу чыгып кетсе маскалоо кантип алынат?

Ар бир \(r_i^{(t)}\) вектору threshold sharing аркылуу калыбына келтирүү комитетине ишенип берилет. Колдонуучу зарыл калыбына келтирүү маалыматын бербесе, кеминде \(\tau_{\mathrm{rec}}\) жарактуу калыбына келтирүү үлүшү бар болсо комитет жетишпеген салымды кайра түзө алат. Максат жеке кокустук векторлорду жалпыга ачык кылуу эмес, топтоштуруу үчүн гана керектүү

\[ R^{(t)} = \sum_{i=1}^{m}r_i^{(t)} \]

жалпы кокустук векторду түзүү.

Калыбына келтирилген же колдонуучу берген ар бир салым адегенде алдын ала жазылган commitment менен

\[ H\left(t\parallel i\parallel r_i^{(t)}\right) = C_i^{(t)} \]

теңдиги аркылуу текшерилет. Зарыл салым текшерүүдөн өтпөсө учурдагы байланыш раунду жокко чыгарылат; жараксыз салым алынып салынат жана кийинки аткаруу топтоо этабынан кайра башталат.

Blockchain катмары бул протоколдо эмне кылат, эмнени кылбайт?

Hyperledger Fabric бул системада градиентти криптографиялык түрдө өз алдынча жашырган механизм эмес; аутентификацияланган транзакцияларды chaincode аркылуу иштетүү, иреттөө, текшерүү жана аудитке жарактуу реестрге жазуу үчүн координация жана бүтүндүк катмарын берет, ал эми негизги жаңыртуу жашыруу операциясы кошумча бөлүштүрүү жана убактылуу маскалоо аркылуу аткарылат.

Кардарлар транзакция сунуштарын Fabric тармагына жөнөтөт. Endorsing peers chaincode аткарып endorsement түзөт; ordering service бекитилген транзакцияларга жалпы тартип берет; committing peers болсо транзакцияларды текшерип, реестрге кошот. Бул системада mining же Proof-of-Work атаандаштыгы жок.

Раунд соңундагы топтоштуруу математикасы

Блокчейн тарабында бардык маскаланган маанилердин суммасы

\[ Z^{(t)} = \sum_{i=1}^{m}z_i^{(t)} \]

түрүндө эсептелет. Текшерилген кокустук салымдардын суммасы \(R^{(t)}\) алынганда

\[ S^{(t)} = Z^{(t)}-R^{(t)} = \sum_{i=1}^{m}s_i^{(t)} \]

алынат.

Кошумча бөлүштүрүүнүн түзүмү боюнча бул маани ошол эле учурда коддолгон жергиликтүү градиенттердин суммасы:

\[ \bar G^{(t)} = S^{(t)} = \sum_{i=1}^{m}\bar g_i^{(t)} \qquad \text{in }\mathbb{F}_q^p . \]

Андан соң

\[ G^{(t)} = D_q(\bar G^{(t)}) \in\mathbb{R}^{p} \]

менен чыныгы сандар мейкиндигине кайтып, орточо градиент

\[ g_{\mathrm{avg}}^{(t)} = \frac{1}{m}G^{(t)} \]

түрүндө эсептелет. Глобалдык модель жаңыртуусу болсо

\[ W^{(t+1)} = W^{(t)}-\alpha g_{\mathrm{avg}}^{(t)} \]

түрүндө.

Булактын тууралык жыйынтыгы эки деңгээлде чечмелениши керек. \(\mathbb{F}_q^p\) коддолгон талаасында топтоштуруу алгебралык жактан так. \(\mathbb{R}^p\) мейкиндигине кайткандан кийин болсо жыйынтык fixed-point коддоо/декоддоо операциясынан келип чыккан квантташтыруу катасынын чегинде көздөлгөн чыныгы талаа суммасына дал келет. Бул чечмелөө модулдук wrap-around болбойт деген божомолго да көз каранды.

Коопсуздук модели кайсы чабуулдарды камтыбайт?

Изилдөө чийки маалымат түзмөктө каларын жана реестрдеги маскаланган үлүш деңгээлиндеги жүктөөлөр жеке градиентти plaintext түрүндө түз көрсөтпөй турганын semi-honest жана чектелген collusion божомолдорунда негиздейт; Byzantine model poisoning, босогодон ашкан каалаган collusion, side-channel leakage жана өнүккөн adaptive inference чабуулдарына каршы толук коопсуздук далилин бербейт.

Кардарлар протоколду туура аткарат, бирок көргөн үлүштөрдөн же реестр жазууларынан кошумча маалымат чыгарууга аракет кылышы мүмкүн деп кабыл алынат. Fabric peers болсо honest-but-curious катары моделденет: Fabric протоколун туура иштетишет, бирок өздөрүнө көрүнгөн маалыматтардан кошумча маалымат алууга аракет кылышы мүмкүн.

Булак үч негизги коопсуздук жыйынтыгын талкуулайт. Биринчиден, чийки маалымат топтомдору \(D_i\) колдонуучу тарабында калат жана блокчейнге жүктөлбөйт. Экинчиден, көрсөтүлгөн божомолдордо чынжырдагы маскаланган үлүш деңгээлиндеги маанилер эч бир кардардын чийки жергиликтүү градиенти менен түздөн-түз бирдей plaintext маани эмес. Үчүнчүдөн, Fabricтин endorsement, ordering жана validation процесси кабыл алынган транзакция жазууларынын аутентификацияланган, өзгөртүү байкала турган жана аудитке жарактуу жазуу катары сакталышын камсыз кылат.

Бирок авторлор муну simulation-based толук криптографиялык далил катары көрсөтүшпөйт. Өзгөчө калыбына келтирүү процесси керектүү жалпы кокустук векторду гана түзөт жана жеке маскалоо векторлорун ишенимдүү чөйрөдөн тышкары жайылтпайт деп божомолдонот. Мындан тышкары, акыркы глобалдык aggregate чакан топтордо же көп жолу кайталанган байланыш раунддарында inference чабуулдары үчүн маалымат ташууну улантышы мүмкүн.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Эксперименттик баалоо кандай жүргүзүлдү жана эмне табылды?

Прототип Windows 11, Ryzen 7 5800H, RTX 3060 жана 32 GB RAM шартында; MNISTтин 60.000 окутуу жана 10.000 тест сүрөтү, толук байланышкан нейрондук тармак жана Hyperledger Fabric v2.0.0 колдонулуп бааланды; жыйынтыктар топтоо чыгымы, топ ичиндеги кошумча бөлүштүрүү убактысы, Fabric транзакция чыгымы/throughput жана MNIST классификация тактыгы боюнча берилди.

Эксперименттик чөйрө жана маалыматтар топтому

Модель адегенде plaintext чөйрөсүндө 60.000 окутуу сүрөтү менен үйрөтүлүп, 10.000 тест сүрөтүндө бааланган. Булак бул алгачкы plaintext модель үчүн болжол менен %98 тактык билдирет. Андан кийин модель параметрлери өзгөртүлүп, беш башка баштапкы тактык түзүлгөн жана бул баштапкы моделдер боюнча бир нече топтоштуруу раунду иштетилген. Максат — сунушталган схеманын MNISTтеги топтоштуруудан кийинки тактык жүрүм-турумун байкоо.

Бул прототипте окутуу жана тест үчүн колдонулган маалыматтар топтому MNIST. Ошондуктан изилдөөнүн кириш бөлүгүндө саламаттык маалыматтары жана медициналык купуялуулук маанилүү колдонмо мотивациясы катары талкууланганы менен, эксперименттер бейтап маалыматтарында, клиникалык жазууларда же чыныгы саламаттык сактоо мекемелеринин ортосундагы федеративдик окутуу тармагында жүргүзүлгөн эмес.

Динамикалык топтоо чыгымы

Ыктыярдуу топтоо байланышынын чыныгы чыгымы колдонуучулар ортосундагы сүйлөшүүгө көз каранды болгондуктан, булак бул бөлүктүн так communication overhead маанисин бербейт. Анын ордуна система тарабында кокустук эки жана үч адамдык топторду түзүүнүн өлчөнгөн убакыттары 6-сүрөттө салыштырылат.

PDFтин 19-бетиндеги 6-сүрөт колдонуучулардын саны көбөйгөн сайын топтоонун эки түрүнүн тең иштөө убактысы өсөрүн көрсөтөт. Булак текстине ылайык, толугу менен кокустук эки адамдык топтоо учурдагы колдонмодо үч адамдык топтоого караганда бир аз жогору убакыт чыгымына ээ. Авторлор толугу менен кокустук эки адамдык топтоону изилденген топтоо учурларынын арасында бир түрдөгү жогорку-чектик шилтеме катары баалашат.

Кошумча бөлүштүрүү чыгымы

Үч адамдык бөлүштүрүү эки адамдык түзүмгө караганда узагыраак созулат. Булак бул маанилерди топко негизделген бөлүштүрүү протоколунун эсептөө чыгымына байланышкан колдонмо деңгээлиндеги көрсөткүч катары берет; жалпы аппараттык же тармактык шарттарга көчүрүлө турган универсалдуу latency маанилери катары бербейт.

Hyperledger Fabric өндүрүмдүүлүгү

Булак Fabric v2.0.0 үстүндө 500 транзакцияга чейин аткаруу чыгымын жана секундасына ийгиликтүү транзакциялардын саны катары throughputту изилдейт. PDFтин 20-бетиндеги 7-сүрөттө 100, 200, 300, 400 жана 500 транзакция жүктөрү үчүн invoke жана query операцияларынын аткаруу убактысы жана throughput ийри сызыктары көрсөтүлөт.

Булак графиктин чийки сандык чекиттерин өзүнчө таблицада бербейт. Ошондуктан графиктин ийри сызыктарынан жаңы так маанилер чыгарылган эмес. 7-сүрөттүн илимий ролу — прототип Fabric катмарынын ар түрдүү транзакция жүктөрүндөгү execution cost жана throughput жүрүм-турумун колдонмо деңгээлинде көрсөтүү.

Функциялык камтууну салыштыруу

Бул таблица модель accuracy артыкчылыгын түз далилдеген performance салыштыруу эмес. Авторлор таблицаны ыкмалар кайсы функциялык компоненттерди камтый турганын көрсөтүү үчүн колдонушат. DPPFL бардык уячаларды камтышы ар бир коопсуздук өзгөчөлүгү башка ыкмалардан математикалык жактан күчтүүрөөк экенин өз алдынча далилдебейт.

MNIST тактыгын салыштыруу

PDFтин 21-бетиндеги 8-сүрөттө графикке жазылган маанилер төмөнкүдөй:

Макала тексти сунушталган ыкманын жыйынтыгын тегеректеп %99,6 деп берет. Бул шартта билдирилген айырма салыштырылган ыкмаларга карата 1,06дан 3,96 пайыздык пунктка чейин. Бул салыштыруу учурдагы MNIST негизиндеги proof-of-concept шарттары үчүн гана чечмелениши керек.

Жыйырма түйүндүү robustness көрсөтүүсү

9-сүрөт жалпы 20 түйүн колдонулган симуляция чөйрөсүндө динамикалык топтоолуу FLдин blockchain колдонулган жана колдонулбаган версияларын салыштырат. Симуляцияда “malicious” деп белгиленген түйүндөрдүн саны көбөйгөн сайын blockchainsiz версиянын тактыгы байкаларлык төмөндөйт, blockchain менен колдоого алынган катар туруктуураак көрүнөт.

Авторлордун өз чечмелөө чеги бул жерде өтө маанилүү: 9-сүрөт эмпирикалык прототип robustness көрсөтүүсү; Byzantine чабуулдарына же malicious катышуучуларга каршы формалдуу криптографиялык коопсуздук кепилдиги эмес. Бул график булакта аныкталган semi-honest коркунуч моделин malicious-security моделине айландырбайт.

Blockchain, динамикалык топтоо жана борборлоштурулган ыкманы салыштыруу

PDFтин 21-бетиндеги 10-сүрөттө көрсөтүлгөн маанилер:

Бул конкреттүү экспериментте динамикалык топтоо менен blockchain координациясын бирге колдонгон версия үч ыкманын арасында эң жогорку тактык белгисине ээ. Бирок бул бардык маалымат топтомдорунда, бардык моделдерде же чыныгы бөлүштүрүлгөн тармактарда борборлоштурулган үйрөнүүдөн жогору жалпы performance кепилдигин билдирбейт.

Булак архитектурасынын баштан-аяк иш агымы

1. Ар бир кардар өзүнүн \(D_i\) маалымат топтомунда жергиликтүү окутуу жүргүзүп, \(g_i^{(t)}\) градиентин эсептейт.
2. Кардарлар аброй жана даярдык маалыматы колдонулуп эки же үч мүчөлүү топторго бөлүнөт.
3. Чыныгы талаа градиенти \(\mathbb{F}_q^p\) мейкиндигине коддолот жана топ ичинде кошумча үлүштөргө бөлүнөт.
4. Ар бир кардар өзүндөгү үлүш деңгээлиндеги мааниге \(r_i^{(t)}\) кокустук векторун кошуп, маскаланган \(z_i^{(t)}\) маанисин түзөт.
5. Маскалоо вектору үчүн hash commitment чынжырга жазылат жана босого негизиндеги калыбына келтирүү маалыматы ишенимдүү калыбына келтирүү чөйрөсүнө тапшырылат.
6. Керектүү кокустук салымдар commitment маанилери менен текшерилет.
7. Fabric chaincode жана ledger операциялары маскаланган үлүш деңгээлиндеги жүктөөлөрдү иштетип, топтойт.
8. \(R^{(t)}\) жалпы кокустук вектору алынып салынып, коддолгон глобалдык градиент суммасы калыбына келтирилет.
9. Чектүү талаа суммасы чыныгы сандар мейкиндигине декоддолот, орточо градиент эсептелет жана глобалдык модель синхрондоштурулат.
10. Аброй маанилери жаңыртылып, кийинки байланыш раундуна өтүлөт.

PDFтин 10-бетиндеги 4-сүрөт дал ушул түзүмдүн архитектуралык көрүнүшүн берет: кардарлардан динамикалык топтоого, кошумча бөлүштүрүүгө жана убактылуу маскалоого; андан Hyperledger Fabric endorsement/ordering/commitment агымына, ledger жазууларына, aggregate recovery процессине жана кайра модель синхрондоштурууга кайтып келген жабык иш чынжыры көрсөтүлөт.

Изилдөө колдогон жыйынтыктар

Булак сунушталган протокол көрсөтүлгөн semi-honest жана bounded-collusion божомолдорунда чийки маалымат топтомдорун кардар тарабында сактарын; чынжырда түз plaintext жеке градиент ордуна маскаланган үлүш деңгээлиндеги маанилерди колдоно турганын; коддолгон чектүү талаа топтоштуруусу туура экенин; чыныгы талаага кайтууда encoding–decoding квантташтыруу катасы гана каларын жана Hyperledger Fabric accepted transaction жазууларына integrity/auditability катмарын кошорун көрсөтөт.

MNIST proof-of-concept эксперименттери болсо системанын бааланган прототип чөйрөсүндө иштей аларын, топко негизделген кошумча бөлүштүрүү миллисекунд деңгээлинде аткарыла аларын, Fabric тарабында 500 транзакцияга чейин аткаруу/throughput жүрүм-туруму өлчөнө аларын жана учурдагы салыштырууда модель тактыгы сактала аларын көрсөтөт.

Изилдөө колдобогон жыйынтыктар

Изилдөө бардык федеративдик окутуу чабуулдарын чечкен жалпы коопсуздук протоколун сунуштабайт. Толук malicious-security же simulation-based privacy далили жок. Byzantine model poisoning, чектөөсүз collusion, side-channel чабуулдары жана өнүккөн adaptive inference чабуулдары камтылган эмес. Final aggregate өзү айрым шарттарда маалымат агып чыгышы үчүн колдонулушу мүмкүн. Эки жана үч адамдык топтор оптималдуу экени далилденген эмес. Аброй механизми trust-free же optimal contribution oracle эмес. MNIST эксперименттери чыныгы саламаттык маалыматтарында жүргүзүлгөн эмес жана изилдөө клиникалык же чоң масштабдуу чыныгы дүйнө deployment далилин бербейт.

Булак жана Ыкма Жөнүндө Эскертүү

Түпнуска изилдөө: Blockchain-Enabled Federated Learning: A Dynamic-Grouping Privacy-Preserving Framework

Авторлор: Senmao Wei; Xiaochao Wei; Tingting Pang; Dian Li.

Corresponding authors: Xiaochao Wei жана Tingting Pang.

Мекемелер: School of Computer Science and Artificial Intelligence, Shandong Normal University, Jinan, China; Department of Informatics, University of Bergen, Bergen, Norway.

Журнал: Mathematics.

Басма: MDPI.

Библиографиялык жазуу: Mathematics 2026, 14(9), 1534.

DOI: 10.3390/math14091534.

Макала процесси: Алынган 31 март 2026; ревизия 24 апрель 2026; кабыл алынган 25 апрель 2026; жарыяланган 1 май 2026.

Булак түрү: Рецензияланган академиялык изилдөө макаласы; протокол дизайнын, математикалык тууралык талкуусун, чектелген коопсуздук анализин жана MNIST негизиндеги proof-of-concept эксперименттик баалоону камтыйт.

Лицензия: Creative Commons Attribution (CC BY).

Каржылоо: Изилдөө National Natural Science Foundation of China 12201356 номерлүү гранты жана Shandong Provincial Key Research and Development Program 2025TSGCCZZB0016 номерлүү программасы тарабынан жарым-жартылай колдоого алынган.

Маалыматтардын жеткиликтүүлүгү: Авторлор түпнуска салымдар макаланын ичинде экенин жана кошумча суроолор corresponding authorларга жөнөтүлө аларын билдирет.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышын билдиришкен эмес.

Автордук салымдар: Концептуалдаштыруу Xiaochao Wei жана Tingting Pang; методология Senmao Wei жана Xiaochao Wei; программалык камсыздоо жана текшерүү Senmao Wei жана Dian Li; алгачкы долбоор Senmao Wei; карап чыгуу жана редакциялоо Xiaochao Wei жана Tingting Pang; каржылоону алуу Tingting Pang жана Xiaochao Wei тарабынан жүргүзүлгөн.

Негизги методологиялык чектөө: Коопсуздук анализи semi-honest жана bounded-collusion божомолдору менен чектелет; толук simulation-based криптографиялык proof эмес. Эксперимент MNIST үстүндө жүргүзүлгөн proof-of-concept баалоо. Медициналык маалымат жана клиникалык deployment текшерүүсү жок. Чектүү талаа коддоосунан чыныгы талаага кайтуу quantization error камтыйт. Модуль жана fixed-point тактыгы wrap-around болбой тургандай тандалышы керек.

Визуалды кайра чийүү: Булактагы 4-сүрөттөгү архитектура, 6-сүрөттөгү топтоо overhead, 7-сүрөттөгү Fabric execution/throughput жүрүм-туруму жана 8–10-сүрөттөрдөгү салыштыруулар Verianla үчүн оригиналдуу графиктер жана схемалар түрүндө кайра чийилиши мүмкүн. 7-сүрөттүн чийки чекиттери таблицада берилбегендиктен, графиктен жаңы так сандар чыгарылбашы керек.

Verianla Live / Live Figure: Ылайыктуу. Эң коопсуз колдонуу — кардарды окутуу → топтоо → кошумча бөлүштүрүү → маскалоо → Fabric текшерүүсү → aggregate recovery → модель синхрондоштуруу иш агымынын туруктуу параметрлүү source-derived анимациясы. Колдонуучуга топ босогосун, чабуулчулардын санын, үйрөнүү ылдамдыгын же башка илимий параметрди өзгөртүп жаңы жыйынтык чыгарууга уруксат берилбеши керек.