面向车载网络的边缘计算区块链联邦学习系统（学习笔记）
摘要：在大多数现有的联网和自动驾驶汽车（CAV）中，从多辆车收集的大量驾驶数据被发送到中央服务器进行统一训练。然而，在数据共享过程中，数据隐私和安全没有得到很好的保护。此外，集中式体系结构还存在一些固有问题，如单点故障、过载请求、无法容忍的延迟等。在本文中，我们提出了Bift：一个完全去中心化的机器学习系统，结合了联合学习和区块链，为CAV提供了一个保护隐私的ML过程。Bift使分布式CAV能够使用自己的驱动数据在本地训练机器学习模型，然后将本地模型上传到最近的移动边缘计算节点（MECN），以获得更好的全局模型。更重要的是，Bift提供了一个名为PoFL的共识算法来抵御可能的对手。我们评估了Bift的性能，并证明了Bift具有可扩展性和健壮性，可以抵御恶意攻击。摘要：在大多数现有的联网和自动驾驶汽车（CA
