Ushbu tadqiqotda taklif etilgan tizim mahalliy o‘qitish ma’lumotlarini markaziy nuqtaga ko‘chirmasdan umumiy mashinali o‘rganish modelini ishlab chiqishga qaratilgan federativ ta’limni; ruxsatli Hyperledger Fabric blokcheyni, dinamik foydalanuvchi guruhlash, guruhga asoslangan additiv ulashish, vaqtinchalik niqoblash va reputatsiya bilan qo‘llab-quvvatlanadigan muvofiqlashtirish bilan birlashtiruvchi maxfiylikni saqlovchi hamkorlikdagi o‘rganish doirasi hisoblanadi. Foydalanuvchilarning xom o‘qitish ma’lumotlari blokcheynga yuklanmaydi. Mahalliy gradientlar ham to‘g‘ridan-to‘g‘ri zanjirga yozilmaydi; avval ikki yoki uch foydalanuvchili guruhlarda ulushlarga bo‘linadi, ulush darajasidagi qiymatlar vaqtinchalik tasodifiy vektorlar bilan niqoblanadi va faqat shu niqoblangan qiymatlar hamda agregatsiyaga oid yozuvlar ruxsatli reyestrga uzatiladi.

Doira har bir kommunikatsiya raundida foydalanuvchilarni reputatsiya va hamkorlik qilish istagiga qarab ikki yoki uch kishilik guruhlarga ajratadi. Mahalliy gradientlar chekli maydonda additiv ulushlarga aylantiriladi; yuklanadigan har bir ulush darajasidagi qiymat alohida tasodifiy vektor bilan maskalanadi. Tasodifiy vektorlarning zarur yig‘indisi foydalanuvchining chiqib ketishi yoki kerakli tiklash ma’lumotini bermasligi holatlariga qarshi vakolatli tiklash qo‘mitasi tomonidan threshold asosida qo‘llab-quvvatlanadi. Hyperledger Fabric qatlami esa autentifikatsiya, chaincode bajarilishi, endorsement, tartiblash, tekshirish va audit qilinadigan qayd funksiyalarini bajaradi.

Proof-of-concept tajribalari MNIST ma’lumotlar to‘plamida o‘tkazilgan. Ikki tomonli additiv ulashish amali taxminan 12,6 ms, uch tomonli ulashish esa taxminan 16,9 ms davom etgan. Maqola matnida taklif etilgan usul taqqoslovchi MNIST tajribasida %99,6 aniqlikka erishgani bildirilgan bo‘lsa, 8-rasmdagi belgi %99,56 ni ko‘rsatadi. Mualliflar bildirgan farq taqqoslangan usullarga nisbatan 1,06 dan 3,96 foiz punktigacha. Biroq natijalar faqat baholangan prototip muhitiga tegishli: tadqiqot to‘liq simulation-based kriptografik xavfsizlik isbotini taqdim etmaydi, Byzantine model poisoning yoki cheklanmagan collusion ga qarshi xavfsizlikni ko‘rsatmaydi va haqiqiy sog‘liq ma’lumotlarida klinik validatsiya o‘tkazmaydi.

Federativ ta’limda maxfiylik muammosi qayerda yuzaga keladi?

Federativ ta’limning asosiy g‘oyasi xom ma’lumotlarni foydalanuvchi qurilmasida saqlash va markaziy o‘qitish uchun ma’lumotning o‘zini emas, balki model parametrlari yoki gradientlar kabi yangilanish ma’lumotlarini ulashishdir. Ushbu yondashuv xom ma’lumotlarning to‘g‘ridan-to‘g‘ri markazlashtirilishini oldini olsa ham, model yangilanishlarining o‘zi ham ma’lumot tashishi mumkin. Shu sababli manba tadqiqot “xom ma’lumot zanjirga ketmaydi” shartini o‘z-o‘zicha yetarli maxfiylik kafolati deb hisoblamaydi; ayniqsa individual mahalliy yangilanishlarning to‘g‘ridan-to‘g‘ri ko‘rinishini kamaytirishga qaratilgan.

Bir foydalanuvchi \(u_i\) ning mahalliy ma’lumotlar to‘plami manbada

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

deb ta’riflanadi. Bu yerda \(N_i\) foydalanuvchiga tegishli mahalliy namunalar sonidir. \(x_{i,k}\) kirish namunasini, \(y_{i,k}\) esa yorliqni bildiradi.

Kommunikatsiya raundi \(t\) da global model parametr vektori \(W^{(t)}\) bo‘lsa, foydalanuvchining empirik yo‘qotishi

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

bilan ifodalanadi. Mahalliy gradient

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

deb hisoblanadi va manbada mahalliy model yangilanishi

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

ko‘rinishida beriladi. Ushbu formuladagi \(\alpha>0\) manbada o‘rganish tezligi deb ta’riflangan.

Taklif etilgan protokolning maxfiylikka oid aralashuvi \(g_i^{(t)}\) gradienti shu holatda blokcheynga yuklanishidan oldin amalga oshadi. Gradient avval chekli maydonda kodlanadi, kichik guruh ichida additiv ulushlarga bo‘linadi va zanjirga uzatiladigan ulush darajasidagi qiymat qo‘shimcha ravishda vaqtinchalik tasodifiy vektor bilan niqoblanadi.

Hyperledger Fabric nima uchun ishlatiladi?

Tadqiqot umumiy permissionless blockchain yoki Proof-of-Work tizimini qurmaydi. Hyperledger Fabric tarmoqqa kimlar qo‘shila olishini nazorat qilish mumkin bo‘lgan ruxsatli blokcheyn platformasi sifatida ishlatiladi. Fabric peers tranzaksiyalarni endorsement, ordering, validation va ledger commitment bosqichlaridan o‘tkazadi, chaincode esa ulush darajasidagi qaydlar va agregatsiya jarayoniga oid mantiqni bajaradi.

Tizim besh asosiy obyektni o‘z ichiga oladi: mahalliy ma’lumotlarda o‘qitish bajaradigan mijozlar; vakolatli Fabric peers; smart contract vazifasini bajaruvchi chaincode; sertifikatga asoslangan a’zolik xizmati hamda vaqtinchalik niqoblash vektorlarini zarur bo‘lganda threshold mexanizmi orqali tiklashni ta’minlaydigan vakolatli tiklash qo‘mitasi.

Tiklash qo‘mitasi

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

to‘plami bilan, zarur threshold esa

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

bilan ta’riflanadi. Kamida \(\tau_{\mathrm{rec}}\) ta yaroqli tiklash ulushi bo‘lmaguncha yetishmayotgan tasodifiy vektor hissasini qayta tiklab bo‘lmaydi. Qo‘mitaning vazifasi mahalliy modelni o‘qitishda qatnashish emas, balki faqat ishonchli tiklash doirasi ichida global agregatsiya uchun zarur bo‘lgan umumiy tasodifiy vektorni hosil qilishdir.

Dinamik guruhlash qanday ishlaydi?

Dinamik guruhlash har bir kommunikatsiya raundida foydalanuvchilarni avval reputatsiya bo‘yicha tartiblaydigan, ikki tomonlama moslik ballari bilan ikki foydalanuvchili yadro guruhlarini tuzadigan va yetarli kengaytirish bali bo‘lsa guruhni uch foydalanuvchigacha kengaytiradigan; moslashtirilmay qolgan foydalanuvchilarni esa reputatsiya ballari asosida tizimli tarzda joylashtiradigan ikki bosqichli guruhlash mexanizmidir.

Kommunikatsiya raundi \(t\) da foydalanuvchilarning juft bo‘lib ishlash istagini ko‘rsatuvchi matritsa

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

deb ta’riflanadi. Manbada

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

bo‘lib, 2 yuqori, 1 o‘rta, 0 esa past istakni anglatadi. Ikki foydalanuvchi o‘rtasidagi ikki tomonlama moslik

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

bilan hisoblanadi.

Har bir raund boshida hali guruhga biriktirilmagan foydalanuvchilar reputatsiya ballari bo‘yicha kamayish tartibida joylashtiriladi. Eng yuqori reputatsiyali foydalanuvchi tashabbuskor bo‘ladi va o‘zi bilan eng yuqori \(s_{ij}^{(t)}\) ballini beradigan moslashtirilmagan foydalanuvchini tanlaydi. Tenglik bo‘lsa avval yuqori reputatsiya, undan so‘ng doimiy foydalanuvchi identifikatori tartibi hal qiluvchi bo‘ladi.

Ikki a’zoli \(\{u_i,u_j\}\) yadro guruhi tuzilganda uchinchi nomzod \(u_k\) uchun kengaytirish bali

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

hisoblanadi. Agar

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

bo‘lsa, eng yuqori ball olgan nomzod guruhga qo‘shiladi va uch foydalanuvchili guruh hosil bo‘ladi. Aks holda guruh ikki kishiligicha qoladi.

Moslashtirilmay qolgan foydalanuvchilar qanday boshqariladi?

Ixtiyoriy guruhlash bosqichidan keyin qolgan foydalanuvchilar to‘plami \(R\) bilan belgilanadi. Kamida uch foydalanuvchi qolsa, reputatsiya tartibidagi dastlabki uch foydalanuvchi takroran birlashtiriladi. Aynan ikki foydalanuvchi qolsa, bevosita juft guruh tuziladi. Bitta foydalanuvchi qolsa, tizim oldin biriktirilgan foydalanuvchilar ichidan reputatsiyasi eng past foydalanuvchining guruhini topadi. Ushbu guruh ikki kishilik bo‘lsa, qolgan foydalanuvchi uchinchi a’zo bo‘ladi. Guruh allaqachon uch kishilik bo‘lsa, to‘rt foydalanuvchi vaqtincha birlashtiriladi, reputatsiya bo‘yicha tartiblanadi va ikki juft guruhga qayta bo‘linadi.

Shuning uchun istak matritsasi faqat ixtiyoriy moslashtirishda ishlatiladi. Qoldiq foydalanuvchilarni tizim darajasida taqsimlashni esa reputatsiya ballari belgilaydi. Mualliflar ikki va uch foydalanuvchili guruh cheklovi nazariy jihatdan optimal deb da’vo qilmaydi; bu tanlov amalga oshirish soddaligi va kommunikatsiya samaradorligi asosida qilingan protokol dizaynidir.

Reputatsiya bali nimani o‘lchaydi?

Reputatsiya mexanizmi foydalanuvchi taqdim etgan yangilanishning umumiy o‘zgarmas validatsiya to‘plamidagi natijasini boshqa ishtirokchilar bilan taqqoslab, keyingi guruhlash raundlarida ishlatiladigan tartiblash signalini hosil qiladi. Manba buni universal yoki formal jihatdan optimal foydalanuvchi qiymati o‘lchovi emas, balki ruxsatli tizim ichida ishlatiladigan evristik muvofiqlashtirish mexanizmi sifatida ta’riflaydi.

Bir \(u_i\) mijozining raund \(t\) dagi reputatsiyasi \(B_i^{(t)}\in(0,1)\) uchun manbada berilgan yangilash tuzilishi quyidagicha:

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

Bu yerda \(M^{(t)}\) shu raundda qatnashgan mijozlar to‘plamidir. \(Acc_i^{(t)}\) vakolatli infratuzilma barcha foydalanuvchilar uchun umumiy saqlaydigan o‘zgarmas \(D_{\mathrm{val}}\) validatsiya to‘plamidagi aniqlik qiymatidir. Yig‘indi hadi \(u_i\) ning boshqa ishtirokchilarga nisbatan o‘rtacha aniqlik ustunligini ifodalaydi. Sigmoid tuzilma chiqishni \((0,1)\) oralig‘ida ushlab turadi.

Notatsiya chegarasi: Manba bu yerda \(\alpha\) ni reputatsiya yangilanishining sezgirligini boshqaruvchi parametr sifatida ta’riflaydi. Xuddi shu belgi avval mahalliy model yangilanishida o‘rganish tezligi uchun ham ishlatilgan. Manba ularning albatta aynan bir xil giperparametr ekanini bildirmagani uchun ikki rol alohida kontekstlarda baholanishi kerak.

Additiv ulashish va vaqtinchalik niqoblash birga qanday ishlaydi?

Mahalliy gradient avval chekli maydonda bir nechta additiv ulushlarga bo‘linadi; har bir guruh a’zosi faqat ulushlarning birikmasidan hosil bo‘lgan ulush darajasidagi qiymatni saqlaydi va zanjirga yuboriladigan ushbu qiymatga qo‘shimcha ravishda mustaqil tasodifiy vektor qo‘shilib niqoblanadi, shu tariqa individual gradient yoki niqoblanmagan ulush darajasidagi yig‘indining bevosita reyestrga yozilishi oldini olinadi.

Haqiqiy sondan chekli maydonga kodlash

Mahalliy gradientlar tabiiy ravishda

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

fazosida bo‘ladi. Additiv ulashish uchun manba ularni fixed-point kodlash xaritasi bilan

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

orqali

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

vektorlariga aylantiradi. Teskari yo‘nalishda

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

dekodlash xaritasi ishlatiladi.

Manbaning kritik farazi tanlangan modul \(q\) va fixed-point aniqligi bir raunddagi gradientlar, ulushlar, niqoblash vektorlari hamda oraliq yig‘indilarni ifodalash uchun yetarlicha keng bo‘lishidir. Boshqacha aytganda, hisoblash vaqtida modulyar overflow, ya’ni wrap-around yuz bermasligi kerak. Ushbu shartda chekli maydon yig‘indisi aniq; haqiqiy sonlar maydoniga qaytishda esa fixed-point kodlash tufayli kvantlash xatosi bo‘lishi mumkin.

Bir gradient ulushlarga qanday bo‘linadi?

Bir guruh

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

bo‘lsin. \(u_{a_r}\) mijozi kodlangan gradientini \(s\) ta ulushga bo‘ladi:

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

Dastlabki \(s-1\) ulush \(\mathbb{F}_q^p\) ichidan mustaqil va bir tekis tasodifiy tanlanadi. Oxirgi ulush esa yig‘indi asl gradientni berishini ta’minlaydigan tarzda

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

deb belgilanadi.

Har bir guruh a’zosi har bir ishtirokchidan bitta ulush olgach, \(j\)-a’zo saqlaydigan ulush darajasidagi qiymat

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

bo‘ladi. Ushbu tuzilma

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

tengligini saqlaydi. Shunday qilib, barcha ulushlar to‘g‘ri qayta yig‘ilganda guruh gradientlarining kodlangan yig‘indisi olinadi; biroq individual kodlangan gradientlar blokcheynga plaintext ko‘rinishida yuborilmaydi.

Vaqtinchalik niqoblash nima uchun ikkinchi qatlam qo‘shadi?

Ulush darajasidagi yig‘indi barcha yuklashlar tugashidan oldin erta olinib qolishining oldini olish uchun har bir mijoz

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

tasodifiy vektorini hosil qiladi. Avval ushbu vektor uchun

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

hash commitment qayd qilinadi. So‘ng blokcheynga yuboriladigan qiymat

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

bo‘ladi.

\(H(\cdot)\) kriptografik hash funksiyasini, \(\parallel\) esa birlashtirish amalini anglatadi. Tasodifiy vektorning o‘zi keng miqyosda tarqatilmaydi. Zarur tiklash ma’lumoti faqat ishonchli tiklash doirasiga yuboriladi.

Foydalanuvchi chiqib ketsa, niqoblash qanday olib tashlanadi?

Har bir \(r_i^{(t)}\) vektori threshold sharing orqali tiklash qo‘mitasiga ishonib topshiriladi. Foydalanuvchi zarur tiklash ma’lumotini bermasa, kamida \(\tau_{\mathrm{rec}}\) ta yaroqli tiklash ulushi mavjud bo‘lsa, qo‘mita yetishmayotgan hissani qayta tiklay oladi. Maqsad individual tasodifiy vektorlarni umumiy ravishda oshkor qilish emas, balki faqat agregatsiya uchun kerak bo‘lgan

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

umumiy tasodifiy vektorni hosil qilishdir.

Tiklangan yoki foydalanuvchi tomonidan taqdim etilgan har bir hissa avval oldindan qayd qilingan commitment bilan

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

tengligi orqali tekshiriladi. Zarur hissa tekshiruvdan o‘tmasa joriy kommunikatsiya raundi bekor qilinadi; yaroqsiz hissa chiqariladi va keyingi bajarilish guruhlash bosqichidan qayta boshlanadi.

Blockchain qatlami ushbu protokolda nima qiladi, nima qilmaydi?

Hyperledger Fabric ushbu tizimda gradientni kriptografik jihatdan o‘zi yolg‘iz yashiradigan mexanizm emas; autentifikatsiyalangan tranzaksiyalarni chaincode orqali qayta ishlash, tartiblash, tekshirish va audit qilinadigan reyestrga yozish uchun muvofiqlashtirish hamda yaxlitlik qatlamini ta’minlaydi, asosiy yangilanishni yashirish amali esa additiv ulashish va vaqtinchalik niqoblash tomonidan bajariladi.

Mijozlar tranzaksiya takliflarini Fabric tarmog‘iga yuboradi. Endorsing peers chaincode ni bajarib endorsement hosil qiladi; ordering service tasdiqlangan tranzaksiyalarga umumiy tartib beradi; committing peers esa tranzaksiyalarni tekshiradi va reyestrga qo‘shadi. Ushbu tizimda mining yoki Proof-of-Work raqobati yo‘q.

Raund oxiridagi agregatsiya matematikasi

Blokcheyn tomonida barcha niqoblangan qiymatlarning yig‘indisi

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

deb hisoblanadi. Tekshirilgan tasodifiy hissalarning yig‘indisi \(R^{(t)}\) ayirilganda

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

olinadi.

Additiv ulashish tuzilmasi tufayli ushbu qiymat ayni vaqtda kodlangan mahalliy gradientlarning yig‘indisidir:

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

So‘ng

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

orqali haqiqiy sonlar maydoniga qaytiladi va o‘rtacha gradient

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

deb hisoblanadi. Global model yangilanishi esa

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

ko‘rinishidadir.

Manbadagi to‘g‘rilik natijasi ikki darajada talqin qilinishi kerak. \(\mathbb{F}_q^p\) kodlangan maydonida agregatsiya algebraik jihatdan aniq. \(\mathbb{R}^p\) ga qaytilganda esa natija fixed-point kodlash/dekodlash jarayonidan keladigan kvantlash xatosigacha mo‘ljallangan haqiqiy maydon yig‘indisiga mos keladi. Ushbu talqin modulyar wrap-around yuz bermasligi faraziga ham bog‘liq.

Xavfsizlik modeli qaysi hujumlarni qamrab olmaydi?

Tadqiqot xom ma’lumotlarning qurilmada qolishini va reyestrdagi niqoblangan ulush darajasidagi yuklashlar individual gradientni plaintext ko‘rinishida bevosita ko‘rsatmasligini semi-honest va cheklangan collusion farazlari ostida himoya qiladi; Byzantine model poisoning, threshold dan ortiq ixtiyoriy collusion, side-channel leakage va rivojlangan adaptive inference hujumlariga qarshi to‘liq xavfsizlik isbotini taqdim etmaydi.

Mijozlar protokolni to‘g‘ri bajarishi, lekin ko‘rgan ulushlar yoki reyestr qaydlaridan qo‘shimcha ma’lumot chiqarishga urinishi mumkin deb qabul qilinadi. Fabric peers esa honest-but-curious sifatida modellashtiriladi: ular Fabric protokolini to‘g‘ri bajaradi, ammo o‘zlariga ko‘rinadigan ma’lumotlardan qo‘shimcha bilim olishga urinishi mumkin.

Manba uchta asosiy xavfsizlik natijasini muhokama qiladi. Birinchidan, xom ma’lumotlar to‘plamlari \(D_i\) foydalanuvchi tomonida qoladi va blokcheynga yuklanmaydi. Ikkinchidan, ko‘rsatilgan farazlar ostida zanjirdagi niqoblangan ulush darajasidagi qiymatlar hech bir mijozning xom mahalliy gradientiga to‘g‘ridan-to‘g‘ri teng plaintext qiymat emas. Uchinchidan, Fabric ning endorsement, ordering va validation jarayoni qabul qilingan tranzaksiya qaydlarining autentifikatsiyalangan, o‘zgarishlarni aniqlash mumkin bo‘lgan va audit qilinadigan qayd sifatida saqlanishini ta’minlaydi.

Biroq mualliflar buni simulation-based to‘liq kriptografik isbot sifatida taqdim etmaydi. Xususan, tiklash jarayoni faqat zarur umumiy tasodifiy vektorni hosil qilishi va individual niqoblash vektorlarini ishonchli doiradan tashqariga tarqatmasligi faraz qilinadi. Bundan tashqari, yakuniy global aggregate kichik guruh yoki ko‘p marotaba takrorlangan kommunikatsiya raundlari sharoitida inference hujumlari uchun ma’lumot tashishda davom etishi mumkin.

Tadqiqot Usuli va Natijalari

Eksperimental baholash qanday o‘tkazildi va nimalar aniqlandi?

Prototip Windows 11, Ryzen 7 5800H, RTX 3060 va 32 GB RAM da; MNIST ning 60.000 ta o‘qitish va 10.000 ta test tasviri, to‘liq bog‘langan neyron tarmoq hamda Hyperledger Fabric v2.0.0 yordamida baholandi; natijalar guruhlash xarajati, guruh ichidagi additiv ulashish vaqti, Fabric tranzaksiya xarajati/throughput va MNIST tasniflash aniqligi bo‘yicha hisobot qilindi.

Tajriba muhiti va ma’lumotlar to‘plami

Model avval plaintext muhitida 60.000 ta o‘qitish tasviri bilan o‘qitilgan va 10.000 ta test tasvirida baholangan. Manba ushbu dastlabki plaintext model uchun taxminan %98 aniqlik bildiradi. Keyin model parametrlari o‘zgartirilib, besh xil boshlang‘ich aniqlik hosil qilingan va ushbu boshlang‘ich modellar ustida bir necha agregatsiya raundi bajarilgan. Maqsad taklif etilgan sxemaning MNIST dagi agregatsiyadan keyingi aniqlik xatti-harakatini kuzatishdir.

Ushbu prototipda o‘qitish va test uchun ishlatilgan ma’lumotlar to‘plami MNIST hisoblanadi. Shuning uchun tadqiqot kirishida sog‘liq ma’lumotlari va tibbiy maxfiylik muhim qo‘llash motivatsiyasi sifatida muhokama qilingan bo‘lsa-da, tajribalar bemor ma’lumotlari, klinik qaydlar yoki haqiqiy sog‘liqni saqlash muassasalari o‘rtasidagi federativ ta’lim tarmog‘ida o‘tkazilmagan.

Dinamik guruhlash xarajati

Ixtiyoriy guruhlash kommunikatsiyasining haqiqiy xarajati foydalanuvchilar o‘rtasidagi muzokaraga bog‘liq bo‘lgani uchun manba bu qismning aniq communication overhead qiymatini bermaydi. Buning o‘rniga tizim tomonida tasodifiy ikki va uch kishilik guruhlar hosil qilishning o‘lchangan vaqtlari 6-rasmda taqqoslanadi.

PDF ning 19-sahifasidagi 6-rasm foydalanuvchilar soni ortgani sari har ikki guruhlash turining ishlash vaqti oshishini ko‘rsatadi. Manba matniga ko‘ra, butunlay tasodifiy ikki kishilik guruhlash amaldagi dasturda uch kishilik guruhlashdan biroz yuqori vaqt xarajatiga ega. Mualliflar butunlay tasodifiy ikki kishilik guruhlashni ko‘rib chiqilgan guruhlash holatlari orasida bir turdagi yuqori-chegara mos yozuv sifatida baholaydi.

Additiv ulashish xarajati

Uch kishilik ulashish ikki kishilik tuzilishga qaraganda uzoqroq davom etadi. Manba ushbu qiymatlarni guruhga asoslangan ulashish protokolining hisoblash xarajatiga oid dastur darajasidagi ko‘rsatkich sifatida beradi; ularni umumiy apparat yoki tarmoq sharoitlariga ko‘chirilishi mumkin bo‘lgan universal latency qiymatlari sifatida taqdim etmaydi.

Hyperledger Fabric unumdorligi

Manba Fabric v2.0.0 da 500 ta tranzaksiyagacha bajarish xarajati va soniyasiga muvaffaqiyatli tranzaksiyalar soni sifatida throughput ni tekshiradi. PDF ning 20-sahifasidagi 7-rasmda 100, 200, 300, 400 va 500 tranzaksiya yuklari uchun invoke va query amallarining bajarish vaqti hamda throughput egri chiziqlari ko‘rsatilgan.

Manba grafikning xom raqamli nuqtalarini alohida jadvalda bermaydi. Shu sababli grafik egri chiziqlaridan yangi aniq qiymatlar chiqarilmagan. 7-rasmning ilmiy vazifasi prototip Fabric qatlamining turli tranzaksiya yuklaridagi execution cost va throughput xatti-harakatini dastur darajasida ko‘rsatishdir.

Funksional qamrovni taqqoslash

Ushbu jadval model accuracy ustunligini bevosita isbotlaydigan performance taqqoslashi emas. Mualliflar jadvaldan usullar qaysi funksional komponentlarni qamrab olishini ko‘rsatish uchun foydalanadi. DPPFL ning barcha kataklarni qamrab olishi har bir xavfsizlik xususiyati boshqa usullardan matematik jihatdan kuchliroq ekanini o‘z-o‘zicha ko‘rsatmaydi.

MNIST aniqligini taqqoslash

PDF ning 21-sahifasidagi 8-rasmda grafik ustiga yozilgan qiymatlar quyidagicha:

Maqola matni taklif etilgan usul natijasini yaxlitlab %99,6 deb beradi. Ushbu sharoitda bildirilgan farq taqqoslangan usullarga nisbatan 1,06 dan 3,96 foiz punktigacha. Bu taqqoslash faqat mavjud MNIST ga asoslangan proof-of-concept sharoitlari uchun talqin qilinishi kerak.

Yigirma tugunli robustness namoyishi

9-rasm jami 20 tugundan foydalanilgan simulyatsiya muhitida dinamik guruhlashli FL ning blockchain ishlatiladigan va ishlatilmaydigan versiyalarini taqqoslaydi. Simulyatsiyada “malicious” deb belgilangan tugunlar soni ortgani sari blockchainsiz versiyaning aniqligi sezilarli kamayadi, blockchain bilan qo‘llab-quvvatlangan qator esa barqarorroq ko‘rinadi.

Mualliflarning o‘z talqin chegarasi bu yerda juda muhim: 9-rasm empirik prototip robustness namoyishi; Byzantine hujumlar yoki malicious ishtirokchilarga qarshi formal kriptografik xavfsizlik kafolati emas. Ushbu grafik manbada ta’riflangan semi-honest tahdid modelini malicious-security modeliga aylantirmaydi.

Blockchain, dinamik guruhlash va markazlashtirilgan yondashuvni taqqoslash

PDF ning 21-sahifasidagi 10-rasmda ko‘rsatilgan qiymatlar:

Ushbu maxsus tajribada dinamik guruhlash va blockchain muvofiqlashtirishini birgalikda ishlatgan versiya uch yondashuv orasida eng yuqori aniqlik belgisiga ega. Biroq bu barcha ma’lumotlar to‘plamlarida, barcha modellarda yoki real taqsimlangan tarmoqlarda markazlashtirilgan o‘rganishdan ustun umumiy performance kafolati degani emas.

Manba arxitekturasining uchdan-uchga jarayon oqimi

1. Har bir mijoz o‘zining \(D_i\) ma’lumotlar to‘plamida mahalliy o‘qitish bajaradi va \(g_i^{(t)}\) gradientini hisoblaydi.
2. Mijozlar reputatsiya va istak ma’lumotlari asosida ikki yoki uch a’zoli guruhlarga bo‘linadi.
3. Haqiqiy maydon gradienti \(\mathbb{F}_q^p\) ga kodlanadi va guruh ichida additiv ulushlarga ajratiladi.
4. Har bir mijoz o‘zidagi ulush darajasidagi qiymatga \(r_i^{(t)}\) tasodifiy vektorini qo‘shadi va niqoblangan \(z_i^{(t)}\) qiymatini hosil qiladi.
5. Niqoblash vektori uchun hash commitment zanjirga qayd qilinadi va threshold asosidagi tiklash ma’lumoti ishonchli tiklash doirasiga topshiriladi.
6. Zarur tasodifiy hissalar commitment qiymatlari bilan tekshiriladi.
7. Fabric chaincode va ledger amallari niqoblangan ulush darajasidagi yuklashlarni qayta ishlaydi va yig‘adi.
8. \(R^{(t)}\) umumiy tasodifiy vektori ayirilib, kodlangan global gradient yig‘indisi tiklanadi.
9. Chekli maydon yig‘indisi haqiqiy sonlar maydoniga dekodlanadi, o‘rtacha gradient hisoblanadi va global model sinxronlanadi.
10. Reputatsiya qiymatlari yangilanadi va keyingi kommunikatsiya raundiga o‘tiladi.

PDF ning 10-sahifasidagi 4-rasm aynan ushbu tuzilmaning arxitektura ko‘rinishini beradi: mijozlardan dinamik guruhlashga, additiv ulashish va vaqtinchalik niqoblashga; u yerdan Hyperledger Fabric endorsement/ordering/commitment oqimiga, ledger qaydlariga, aggregate recovery jarayoniga va yana model sinxronlashiga qaytadigan yopiq jarayon zanjiri ko‘rsatiladi.

Tadqiqot qo‘llab-quvvatlaydigan xulosalar

Manba taklif etilgan protokol ko‘rsatilgan semi-honest va bounded-collusion farazlari ostida xom ma’lumotlar to‘plamlarini mijoz tomonida saqlashini; zanjirda to‘g‘ridan-to‘g‘ri plaintext individual gradient o‘rniga niqoblangan ulush darajasidagi qiymatlardan foydalanishini; kodlangan chekli maydon agregatsiyasi to‘g‘ri ekanini; haqiqiy maydonga qaytishda faqat encoding–decoding kvantlash xatosi qolishini va Hyperledger Fabric accepted transaction qaydlariga integrity/auditability qatlamini ta’minlashini ko‘rsatadi.

MNIST proof-of-concept tajribalari esa tizim baholangan prototip muhitida ishlashini, guruhga asoslangan additiv ulashish millisekund darajasida bajarilishi mumkinligini, Fabric tomonida 500 ta tranzaksiyagacha bajarish/throughput xatti-harakati o‘lchanishi mumkinligini va mavjud taqqoslashda model aniqligi saqlanishi mumkinligini ko‘rsatadi.

Tadqiqot qo‘llab-quvvatlamaydigan xulosalar

Tadqiqot barcha federativ ta’lim hujumlarini hal qiladigan universal xavfsizlik protokolini taqdim etmaydi. To‘liq malicious-security yoki simulation-based privacy isboti yo‘q. Byzantine model poisoning, cheklanmagan collusion, side-channel hujumlari va ilg‘or adaptive inference hujumlari qamrovdan tashqarida. Final aggregate ning o‘zi ma’lum sharoitlarda ma’lumot sizishi uchun ishlatilishi mumkin. Ikki va uch kishilik guruhlar optimal ekani isbotlanmagan. Reputatsiya mexanizmi trust-free yoki optimal contribution oracle emas. MNIST tajribalari real sog‘liq ma’lumotlarida o‘tkazilmagan va tadqiqot klinik yoki katta miqyosli real dunyo deployment isbotini taqdim etmaydi.

Manba va Usul Haqida Izoh

Asl tadqiqot: Blockchain-Enabled Federated Learning: A Dynamic-Grouping Privacy-Preserving Framework

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

Corresponding authors: Xiaochao Wei va Tingting Pang.

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

Jurnal: Mathematics.

Nashriyot: MDPI.

Bibliografik yozuv: Mathematics 2026, 14(9), 1534.

DOI: 10.3390/math14091534.

Maqola jarayoni: Qabul qilingan 31 Mart 2026; tahrir 24 Aprel 2026; qabul qilingan 25 Aprel 2026; nashr 1 May 2026.

Manba turi: Taqrizdan o‘tgan akademik tadqiqot maqolasi; protokol dizayni, matematik to‘g‘rilik muhokamasi, cheklangan xavfsizlik tahlili va MNIST ga asoslangan proof-of-concept eksperimental baholashni o‘z ichiga oladi.

Litsenziya: Creative Commons Attribution (CC BY).

Moliyalashtirish: Tadqiqot National Natural Science Foundation of China 12201356 raqamli granti va Shandong Provincial Key Research and Development Program 2025TSGCCZZB0016 raqamli dasturi tomonidan qisman qo‘llab-quvvatlangan.

Ma’lumotlar mavjudligi: Mualliflar asl hissalar maqola ichida ekanini va qo‘shimcha savollar corresponding author larga yo‘naltirilishi mumkinligini bildiradi.

Manfaatlar to‘qnashuvi: Mualliflar manfaatlar to‘qnashuvini bildirmagan.

Muallif hissalari: Konseptuallashtirish Xiaochao Wei va Tingting Pang; metodologiya Senmao Wei va Xiaochao Wei; dasturiy ta’minot va validatsiya Senmao Wei va Dian Li; dastlabki qoralama Senmao Wei; ko‘rib chiqish va tahrirlash Xiaochao Wei va Tingting Pang; moliyalashtirishni jalb qilish Tingting Pang va Xiaochao Wei tomonidan amalga oshirilgan.

Asosiy metodologik cheklov: Xavfsizlik tahlili semi-honest va bounded-collusion farazlari bilan cheklangan; to‘liq simulation-based kriptografik proof emas. Tajriba MNIST da bajarilgan proof-of-concept baholashidir. Tibbiy ma’lumot va klinik deployment validatsiyasi yo‘q. Chekli maydon kodlashidan haqiqiy maydonga qaytish quantization error ni o‘z ichiga oladi. Modul va fixed-point aniqligi wrap-around yuz bermaydigan tarzda tanlanishi kerak.

Vizualni qayta chizish: Manbaning 4-rasmidagi arxitektura, 6-rasmdagi guruhlash overhead i, 7-rasmdagi Fabric execution/throughput xatti-harakati va 8–10-rasmlardagi taqqoslashlar Verianla uchun original grafik va sxemalar sifatida qayta chizilishi mumkin. 7-rasmning xom nuqtalari jadval ko‘rinishida berilmagani sababli grafikdan yangi aniq sonlar chiqarilmasligi kerak.

Verianla Live / Live Figure: Mos. Eng xavfsiz foydalanish — mijozni o‘qitish → guruhlash → additiv ulashish → niqoblash → Fabric validatsiyasi → aggregate recovery → model sinxronizatsiyasi jarayon oqimining o‘zgarmas parametrli source-derived animatsiyasidir. Foydalanuvchiga guruh threshold ini, hujumchilar sonini, o‘rganish tezligini yoki boshqa ilmiy parametrni o‘zgartirib yangi natija hosil qilishga ruxsat berilmasligi kerak.