A blockchain based platform for federated learning
Autor(a) principal: | |
---|---|
Data de Publicação: | 2022 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | eng |
Título da fonte: | Repositório Institucional da UFRGS |
Texto Completo: | http://hdl.handle.net/10183/254858 |
Resumo: | O aprendizado federado é uma técnica de IA emergente, que remove a necessidade da centralização dos dados em um servidor. Nela, um servidor envia tarefas de aprendizado de máquina para os edge nodes, que então executam a tarefa sobre seus dados e enviam apenas o resultado de volta para o servidor, um update. Para isso é necessário criar-se um sistema de negociação entre edge nodes, que queiram executar tarefas de machine learning, e edge nodes, que queiram vender seu poder computacional em troca de al guma recompensa. Nesse contexto, alguns estudos vêm aplicando Blockchain junto ao aprendizado federado em busca de conseguir criar um ambiente de negociação seguro, descentralizado, e justo com alguma moeda de troca para que essas tarefas de apren dizado de máquina sejam transacionadas. Um problema pivotal entre os estudos é que nenhum foca em analisar o gasto em taxa de gas por transações na rede, e hoje, sabe-se, que as principais redes blockchain que garantem as propriedades de segurança e privaci dade são blockchains públicas e, por sua vez, com alto custo de transação e baixo TPS. Nesse trabalho, é proposta uma plataforma de negociação onde edge nodes executam ta refas previamente acordadas com um Requisitante e, após executá-las, envia o resultado de volta em troca de uma moeda digital. A plataforma apresenta um sistema de corres pondência de dados, de envio de ofertas e contratos de trabalho. O principal objetivo da plataforma é unir a segurança e privacidade de uma blockchain pública garantindo uma maior escalabilidade em níveis de taxa por transação. Para verificar a viabilidade da so lução foram implementadas as funcionalidades básicas da plataforma e prototipado um ambiente com 4 nodos executando um filtro de Matriz de Convolução de forma federada. O número de interações e os valores gastos em taxas foram analisadas e comparados com soluções estudadas semelhantes. |
id |
UFRGS-2_b8bee68cd0079f313739db404ad3a0c3 |
---|---|
oai_identifier_str |
oai:www.lume.ufrgs.br:10183/254858 |
network_acronym_str |
UFRGS-2 |
network_name_str |
Repositório Institucional da UFRGS |
repository_id_str |
|
spelling |
Tavares, Lucas CardosoGeyer, Claudio Fernando ResinAnjos, Julio Cesar Santos dos2023-02-18T03:27:55Z2022http://hdl.handle.net/10183/254858001162594O aprendizado federado é uma técnica de IA emergente, que remove a necessidade da centralização dos dados em um servidor. Nela, um servidor envia tarefas de aprendizado de máquina para os edge nodes, que então executam a tarefa sobre seus dados e enviam apenas o resultado de volta para o servidor, um update. Para isso é necessário criar-se um sistema de negociação entre edge nodes, que queiram executar tarefas de machine learning, e edge nodes, que queiram vender seu poder computacional em troca de al guma recompensa. Nesse contexto, alguns estudos vêm aplicando Blockchain junto ao aprendizado federado em busca de conseguir criar um ambiente de negociação seguro, descentralizado, e justo com alguma moeda de troca para que essas tarefas de apren dizado de máquina sejam transacionadas. Um problema pivotal entre os estudos é que nenhum foca em analisar o gasto em taxa de gas por transações na rede, e hoje, sabe-se, que as principais redes blockchain que garantem as propriedades de segurança e privaci dade são blockchains públicas e, por sua vez, com alto custo de transação e baixo TPS. Nesse trabalho, é proposta uma plataforma de negociação onde edge nodes executam ta refas previamente acordadas com um Requisitante e, após executá-las, envia o resultado de volta em troca de uma moeda digital. A plataforma apresenta um sistema de corres pondência de dados, de envio de ofertas e contratos de trabalho. O principal objetivo da plataforma é unir a segurança e privacidade de uma blockchain pública garantindo uma maior escalabilidade em níveis de taxa por transação. Para verificar a viabilidade da so lução foram implementadas as funcionalidades básicas da plataforma e prototipado um ambiente com 4 nodos executando um filtro de Matriz de Convolução de forma federada. O número de interações e os valores gastos em taxas foram analisadas e comparados com soluções estudadas semelhantes.Federated learning is an emerging AI technique that removes the need to centralize data on a server. In it, a server distributes machine learning tasks to the edge nodes, which perform the tasks on their data and send the results back to the server (aka. an update). This requires the development of a negotiation system between nodes that want to request machine learning task execution and nodes that want to sell their computation power in exchange for a reward. Some studies have used Blockchain in conjunction with federated learning to establish a secure, decentralized, and fair trade environment with a bargaining chip for these machine learning tasks. A key issue with the studies is that none of them focus on analyzing the gas fee spent by network transactions, and today, it is known that the main blockchain networks that guarantee security and privacy properties are public blockchains, with high transaction costs and low TPS. This work presented a trading plat form in which edge nodes realize machine learning tasks previously agreed upon with a Requester and, after completing them, transmit the results back in exchange for a digital currency. The platform features a data matching system, sending offers and job contracts. The platform’s major goal is to combine the security and anonymity of a public blockchain while providing higher scalability in transaction fee levels. To test the solution feasibility, the platform’s basic functionalities were developed, and an environment with four nodes was prototyped running a Convolution Matrix filter in a federated approach. The number of interactions and fees paid were evaluated and compared to similar research studies.application/pdfengAprendizado federadoInteligência artificialAprendizado : máquinaBlockchainFederate LearningBig-dataTradingDAOA blockchain based platform for federated learninginfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisUniversidade Federal do Rio Grande do SulInstituto de InformáticaPorto Alegre, BR-RS2022Ciência da Computação: Ênfase em Ciência da Computação: Bachareladograduaçãoinfo:eu-repo/semantics/openAccessreponame:Repositório Institucional da UFRGSinstname:Universidade Federal do Rio Grande do Sul (UFRGS)instacron:UFRGSTEXT001162594.pdf.txt001162594.pdf.txtExtracted Texttext/plain99285http://www.lume.ufrgs.br/bitstream/10183/254858/2/001162594.pdf.txt9bfce7272b95256eb44b8b98637bb445MD52ORIGINAL001162594.pdfTexto completo (inglês)application/pdf1969968http://www.lume.ufrgs.br/bitstream/10183/254858/1/001162594.pdfe720b124a3c1e8df5cf53e99da311af3MD5110183/2548582023-02-19 04:24:08.867351oai:www.lume.ufrgs.br:10183/254858Repositório de PublicaçõesPUBhttps://lume.ufrgs.br/oai/requestopendoar:2023-02-19T06:24:08Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS)false |
dc.title.pt_BR.fl_str_mv |
A blockchain based platform for federated learning |
title |
A blockchain based platform for federated learning |
spellingShingle |
A blockchain based platform for federated learning Tavares, Lucas Cardoso Aprendizado federado Inteligência artificial Aprendizado : máquina Blockchain Federate Learning Big-data Trading DAO |
title_short |
A blockchain based platform for federated learning |
title_full |
A blockchain based platform for federated learning |
title_fullStr |
A blockchain based platform for federated learning |
title_full_unstemmed |
A blockchain based platform for federated learning |
title_sort |
A blockchain based platform for federated learning |
author |
Tavares, Lucas Cardoso |
author_facet |
Tavares, Lucas Cardoso |
author_role |
author |
dc.contributor.author.fl_str_mv |
Tavares, Lucas Cardoso |
dc.contributor.advisor1.fl_str_mv |
Geyer, Claudio Fernando Resin |
dc.contributor.advisor-co1.fl_str_mv |
Anjos, Julio Cesar Santos dos |
contributor_str_mv |
Geyer, Claudio Fernando Resin Anjos, Julio Cesar Santos dos |
dc.subject.por.fl_str_mv |
Aprendizado federado Inteligência artificial Aprendizado : máquina |
topic |
Aprendizado federado Inteligência artificial Aprendizado : máquina Blockchain Federate Learning Big-data Trading DAO |
dc.subject.eng.fl_str_mv |
Blockchain Federate Learning Big-data Trading DAO |
description |
O aprendizado federado é uma técnica de IA emergente, que remove a necessidade da centralização dos dados em um servidor. Nela, um servidor envia tarefas de aprendizado de máquina para os edge nodes, que então executam a tarefa sobre seus dados e enviam apenas o resultado de volta para o servidor, um update. Para isso é necessário criar-se um sistema de negociação entre edge nodes, que queiram executar tarefas de machine learning, e edge nodes, que queiram vender seu poder computacional em troca de al guma recompensa. Nesse contexto, alguns estudos vêm aplicando Blockchain junto ao aprendizado federado em busca de conseguir criar um ambiente de negociação seguro, descentralizado, e justo com alguma moeda de troca para que essas tarefas de apren dizado de máquina sejam transacionadas. Um problema pivotal entre os estudos é que nenhum foca em analisar o gasto em taxa de gas por transações na rede, e hoje, sabe-se, que as principais redes blockchain que garantem as propriedades de segurança e privaci dade são blockchains públicas e, por sua vez, com alto custo de transação e baixo TPS. Nesse trabalho, é proposta uma plataforma de negociação onde edge nodes executam ta refas previamente acordadas com um Requisitante e, após executá-las, envia o resultado de volta em troca de uma moeda digital. A plataforma apresenta um sistema de corres pondência de dados, de envio de ofertas e contratos de trabalho. O principal objetivo da plataforma é unir a segurança e privacidade de uma blockchain pública garantindo uma maior escalabilidade em níveis de taxa por transação. Para verificar a viabilidade da so lução foram implementadas as funcionalidades básicas da plataforma e prototipado um ambiente com 4 nodos executando um filtro de Matriz de Convolução de forma federada. O número de interações e os valores gastos em taxas foram analisadas e comparados com soluções estudadas semelhantes. |
publishDate |
2022 |
dc.date.issued.fl_str_mv |
2022 |
dc.date.accessioned.fl_str_mv |
2023-02-18T03:27:55Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://hdl.handle.net/10183/254858 |
dc.identifier.nrb.pt_BR.fl_str_mv |
001162594 |
url |
http://hdl.handle.net/10183/254858 |
identifier_str_mv |
001162594 |
dc.language.iso.fl_str_mv |
eng |
language |
eng |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
application/pdf |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UFRGS instname:Universidade Federal do Rio Grande do Sul (UFRGS) instacron:UFRGS |
instname_str |
Universidade Federal do Rio Grande do Sul (UFRGS) |
instacron_str |
UFRGS |
institution |
UFRGS |
reponame_str |
Repositório Institucional da UFRGS |
collection |
Repositório Institucional da UFRGS |
bitstream.url.fl_str_mv |
http://www.lume.ufrgs.br/bitstream/10183/254858/2/001162594.pdf.txt http://www.lume.ufrgs.br/bitstream/10183/254858/1/001162594.pdf |
bitstream.checksum.fl_str_mv |
9bfce7272b95256eb44b8b98637bb445 e720b124a3c1e8df5cf53e99da311af3 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UFRGS - Universidade Federal do Rio Grande do Sul (UFRGS) |
repository.mail.fl_str_mv |
|
_version_ |
1801224651559403520 |