当前位置：首页>南京>论文推荐 | (南京审计大学沈凡凡团队)FedPPB:基于PSO和Paillier加密算法的区块链联邦学习方法

论文推荐 | (南京审计大学沈凡凡团队)FedPPB:基于PSO和Paillier加密算法的区块链联邦学习方法

2026-04-29 22:10:59

存储相关专题
2026年：面向新质生产力的数据存储与处理
 2025年：大模型时代的存储管理与数据分析专题
2024年：面向数字经济的智能存储与数据分析专题
2023年：大数据存储与智能分析专题
FedPPB：基于PSO和Paillier加密算法的
区块链联邦学习方法
沈凡凡 ¹, 刘梓昂 ¹, 梁琦玮 ¹
徐超 ¹, 陈勇 ¹, 何炎祥 ²
1.南京审计大学计算机学院
2.武汉大学计算机学院

摘要

在人工智能快速发展的背景下，数据隐私与系统效率成为分布式智能系统中的核心挑战。现有研究虽在一定程度上缓解了数据泄露问题，但在资源分配、系统开销和安全性方面仍存在显著瓶颈。

为此，文章构建了一种基于粒子群优化（particle swarm optimization，PSO）和Paillier加密算法的区块链联邦学习方法，简称FedPPB，该方法融合PSO算法与Paillier同态加密算法，实现对系统角色的动态优化分配与训练参数的加密保护。首先，针对工作节点、验证节点和矿工节点的任务特点，通过PSO算法构建包含模型准确率、验证时间和区块生成时间的适应度函数，实现角色数量的动态调整；其次，工作节点通过Paillier算法对参数更新进行加密，验证节点解密参数并验证其合法性，矿工节点生成区块并更新全局模型；最后，从理论上证明了PSO算法和Paillier算法分别在角色分配和参数加密中的安全性。实验表明，在MNIST，Fashion-MNIST，CIFAR-10数据集上，当恶意节点的占比为15%和25%时，FedPPB显著优于现有方法，展现出更高的准确率与鲁棒性。

关键词：联邦学习 / 区块链 / 隐私保护 / Paillier / 粒子群优化

物联网是指通过网络相互连接的计算设备、机械设备和数字机器组成的分布式系统，这些设备能够与其他物联网设备以及云端进行数据采集、交换和处理。随着物联网和云计算的快速发展，以及企业数据量的持续增长，大数据生态系统已逐渐形成。在该生态系统中，不同来源的海量数据将在用户之间共享。然而，将数据共享或者外包至云端可能引发隐私泄露和安全威胁。为解决物联网和云计算环境中数据共享带来的隐私安全问题，联邦学习（federated learning，FL）作为一种新兴的分布式机器学习范式被提出，通过本地设备协同训练模型而不共享原始数据，有效缓解了隐私泄露风险，并在物联网、医疗保健和工业智能等领域展现出广泛应用前景。然而，基于服务器-客户端架构的传统联邦学习系统因依赖中央服务器，存在单点故障风险，且在动态异构网络环境中，资源分配、隐私保护和通信效率等问题仍未得到有效解决。这些问题限制了联邦学习在复杂分布式系统中的可扩展性和鲁棒性。

因此，将联邦学习应用于真实的、大规模分布式系统中，仍面临3个相互交织的严峻挑战，这些挑战共同制约了其安全与效率。首先，是异构环境下资源利用率低下与系统稳定性差的根本性矛盾，传统的静态角色分配模型无法解决节点异构性与训练过程动态需求之间的内在张力，极易导致性能瓶颈。其次，是贯穿数据处理全流程的隐私泄露风险，共享的模型参数更新构成了潜在的信息泄露信道，易遭受高级推理或模型毒化等攻击。最后，是沉重的系统开销对可扩展性的制约，尤其是在引入区块链以增强去中心化时，其链上共识与验证过程不可避免地会引入显著的额外计算与时间开销，从而导致端到端时延增加。

为了对上述挑战进行深入的量化分析与实证支持，我们进行了针对性的实验与分析。

首先，针对异构环境下的资源利用率低下问题，我们将其定义为由系统瓶颈所导致的“高资源闲置率”与“高系统等待时间占比”同时存在的低效现象。具体而言，如图1所示，动机性实验在典型的瓶颈轮次中，高性能节点的CPU资源闲置率高达85% 。如图2所示，任务时序分析则进一步揭示，该瓶颈的根源在于单一慢速矿工节点，即单一慢速节点迫使其他节点长时间等待。

其次，针对贯穿全局的隐私泄露风险，我们通过模型在恶意攻击下的鲁棒性进行量化。后续实验数据明确揭示了现有方法的脆弱性，在面临25%恶意节点攻击的严苛场景下，基线模型VBFL的测试准确率会崩溃至仅10.60% 。

最后，针对高昂的系统开销，我们将其关键衡量指标定义为“区块生成时间”，因为它直接决定了每一轮全局模型更新时的端到端时延，我们的基线测试表明，在静态方案中，单轮的区块生成时间最高可达18.64 s，这种级别的时延在高频次的联邦学习迭代中会迅速累积，严重制约了系统的可扩展性与训练效率。这些实验从3个维度揭示了现有方法的固有缺陷，为本文构建能够协同应对这些挑战的整体性框架提供了强有力的动机。

为应对上述一系列挑战，现有研究虽尝试通过区块链技术实现去中心化以缓解单点故障，或采用加密算法增强隐私保护，但对角色分配优化的系统性研究不足，且未充分平衡隐私保护与系统效率。

为此，本文提出了一种基于粒子群优化（particle swarm optimization，PSO）和Paillier加密算法的区块链联邦学习方法——FedPPB，该方法结合PSO算法和Paillier同态加密算法。PSO算法的引入旨在动态优化资源分配，减少系统开销；Paillier同态加密算法则从根本上保障参数传输与聚合过程中的隐私安全。

尽管PSO算法和Paillier同态加密技术在各自领域均有显著贡献，但将两者无缝融合以解决联邦学习中的三大核心挑战仍面临若干技术难题。例如，如何协调PSO的动态优化机制与Paillier加密所带来的计算开销，从而在保证隐私安全的同时确保整体训练效率的提升，是实现该跨域技术融合的关键挑战。本文旨在系统性地解决这些问题，为联邦学习提供一个既高效又安全的综合性解决方案。本文的主要贡献有4点：

1）提出了一种基于PSO和Paillier加密算法的区块链联邦学习方法——FedPPB，通过将PSO的动态优化能力与Paillier的同态加密特性相结合，在区块链框架下有效解决了联邦学习中资源动态分配、隐私保护与系统开销的三大核心挑战。

2）设计了基于PSO算法的动态角色分配优化框架，针对工作节点、验证节点和矿工节点的任务特点，构建包含模型准确率、验证时间和区块生成时间的适应度函数，实现角色数量的动态调整。

3）设计了基于Paillier同态加密的训练参数保护框架来对模型参数进行加密，确保传输和聚合过程中的隐私安全。并且通过Paillier同态加密的语义安全性，从理论上证明了Paillier同态加密算法在训练参数传输过程中的安全性。

4）实验表明，FedPPB在15%的恶意设备下，准确率达到了96.81%；在25%的恶意设备下，依然保持了87.59%的准确率，区块生成时间降低了27.6% 。FedPPB有效抵御了恶意设备的攻击，保障了分布式系统的数据隐私性并且显著提升了系统在动态环境中的资源利用效率和鲁棒性。

总结

本文提出的FedPPB机制通过将粒子群优化（PSO）算法与Paillier同态加密算法结合，在区块链赋能的联邦学习系统中实现了模型训练参数的加密保护与客户端角色分配的最优化。在性能提升方面，PSO算法针对3类角色任务设置多维评估指标并构建适应度函数，显著提升了全局模型的准确性与系统运行的稳定性。而在安全性方面，Paillier加密算法保障了模型参数在传输过程中的隐私性，有效防御了模型推断与参数投毒等攻击风险；实验结果表明，FedPPB不仅在恶意设备环境下保持高鲁棒性，且在模型精度和区块生成时间上均优于现有方案，充分验证了FedPPB在安全性与效率之间实现了良好平衡。

尽管本研究在提高联邦学习系统的安全性与性能方面取得了积极进展，但仍存在若干值得深入探讨的问题。未来的研究可考虑以下方向：其一，在保证同态加密安全性的前提下，进一步优化加密与解密的计算效率，以提升系统在大规模分布式环境中的可扩展性；其二，PSO算法尽管具备良好的全局搜索能力，但在动态网络环境中的收敛速度和稳定性仍有改进空间，后续可探索引入混合优化策略以增强算法的适应性；其三，可进一步扩展模型至异构数据分布、多任务学习和跨域联邦学习等复杂场景，增强方案的通用性与实用性；上述方向将为构建更加安全、高效、可信的联邦学习系统奠定坚实基础。

引用格式

沈凡凡, 刘梓昂, 梁琦玮, 徐超, 陈勇, 何炎祥. FedPPB：基于PSO和Paillier加密算法的区块链联邦学习方法[J]. 计算机研究与发展, 2026, 63(3): 685-709. DOI: 10.7544/issn1000-1239.202550483

Shen Fanfan, Liu Zi’ang, Liang Qiwei, Xu Chao, Chen Yong, He Yanxiang. FedPPB: A Blockchain Federated Learning Method Based on PSO and Paillier Encryption Algorithm[J]. Journal of Computer Research and Development, 2026, 63(3): 685-709. DOI: 10.7544/issn1000-1239.202550483