چارچوب اعتماد محور و انگیزشی یادگیری فدریت شده در زیرساخت چندابری با بهره گیری از بلاکچین

با گسترش زیرساختهای ابری و تنوع منابع پردازشی، یادگیری فدریت شده به یکی از راهکارهای اصلی در پردازش توزیع شده داده های حساس تبدیل شده است. این مقاله یک چارچوب نوین اعتماد محور و انگیزشی برای یادگیری فدریت شده بین ابری پیشنهاد می دهد که از بلاکچین به عنوان بستر غیرمتمرکز برای مدیریت شفاف و غیرقابل تغییر تعاملات بین نودهای ابری بهره می برد. در این چارچوب مکانیزم های انگیزشی مبتنی بر قراردادهای هوشمند تعریف می شوند تا ابرها را به مشارکت در آموزش مدل تشویق کرده و سهم منصفانه ای از پاداش بر اساس سهم واقعی در یادگیری برای آنها تضمین شود. همچنین الگوریتم اجماع سبک وزنی برای حفظ کارایی و کاهش سربار ارتباطی معرفی شده است. برای ارزیابی عملکرد چارچوب، آزمایش هایی روی سه مجموعه داده عمومی CIFAR-۱۰، MNIST و LEAF FEMNIST با سناریوهای مختلف ناهمگونی و تاخیر بین ابری انجام شد. نتایج نشان می دهد که چارچوب پیشنهادی علاوه بر افزایش نرخ مشارکت موثر تا ۳۵%، زمان همگرایی مدل را تا ۲۸% کاهش و پایداری مدل را در برابر نودهای غیرقابل اعتماد حفظ می کند. همچنین با بهره گیری از ویژگی های بلاکچین، اعتماد بین سکویی تضمین شده و امکان نظارت بر جبران خسارت فراهم شده است. این یافته ها نشان می دهد که ترکیب یادگیری فدریت شده با بلاکچین در بستر چندابری می تواند گامی موثر در جهت پیاده سازی سیستم های هوشمند توزیع شده و قابل اعتماد باشد.

کلیدواژه ها:

یادگیری فدریت شده ، ابری ، بلاکچین ، قراردادهای هوشمند ، مکانیزم های انگیزشی ، اعتماد توزیع شده