Blockchain-basierte Abstimmung zur Optimierung von vorausschauenden Wartungsmodellen im Rahmen des föderierten Lernens

Abstract

Diese Arbeit analysiert die Integration eines permissioned Blockchain-Netzwerks für einen Prüfmechanismus zur Durchführung von dezentralem, robustem und datenschutzfreundlichem föderiertem Lernen (FL). Insbesondere wird eine kosteneffiziente Variante des State-of-the-Art (SOTA) Ansatzes vorgeschlagen, um Schwachstellen des föderierten Lernens, wie beispielsweise einen kompromittierten Server, kompromittierte Clients, nicht-robuste Aggregation und Gradient Leakage zu beheben. Zur Umsetzung wird die quelloffene Umgebung Hyperledger Fabric verwendet.

In unserem Ansatz analysieren wir den Resourcenaufwand von Hyperledger Fabric-Komponenten und leiten daraus Blockchain-Kosten ab. Unter der Annahme einer monatlichen FL-Sitzung mit zehn Teilnehmenden erreichen wir jährliche Blockchain-Kosten von etwa 0,50% der jährlichen Blockchain-Kosten des SOTA Ansatzes. Darüber hinaus wurden die Leistung und Robustheit des Ansatzes analysiert, um die verbleibende Nutzungsdauer von Turbofan-Triebwerken vorherzusagen. Die Daten wurden auf zehn Teilnehmende verteilt und ein Long-Short-Term-Memory-Modell wurde trainiert. Als Qualitätsmerkmal wurde der mittleren quadratischen Fehler (RMSE) betrachtet. Differential-Privacy wird als Methode zur Sicherstellung des Datenschutzes verwendet. Diesbezüglich wird in dieser Arbeit die Auswirkung bestimmter Datenschutzbudgets für unterschiedliche Modelle analysiert. Für das zentrale Modell gilt in der Regel je höher die Anzahl der Teilnehmenden, desto geringer sind die Auswirkungen des Datenschutzbudgets auf dessen Leistung. Außerdem analysieren wir die Robustheit unseres Ansatzes gegenüber geheimer Absprache zwischen kompromittierten Teilnehmenden des Blockchain-Netzwerkes. Die durchgeführten Tests beweisen eine Robustheit vergleichbar zu der SOTA Implementierung. Schließlich untersuchen wir die Verwendung von prozentualen Fristenkriterien für die Einreichung lokaler Modelle. Wir betrachten das Worst-Case-Szenario, in dem wertvolle Daten an den letzten Prozentsatz der Klienten verteilt werden, die ihr Training abgeschlossen haben. Wir stellen fest, dass ein prozentuales Fristenkriterium von 80% einen guten Kompromiss zwischen der Robustheit des Ansatzes und der erreichten Leistung darstellt.