目录
1.INTRODUCTION
2. ARCHITECTURE AND OPERATION
2.1 one-Epoch BlockFL Operation
2.2 FL operation in BlockFL
3. END-TO-END LATENCY ANALYSIS
3.1 One-Epoch BlockFL Latency Model
3.2 Latency Optimal Block Generation Rate
4.NUMERICAL RESULTS AND DISCUSSION
1.INTRODUCTION
传统的联邦学习主要有以下局限性：
（1）依赖单一的中央服务器，容易受到服务器故障的影响；
（2）没有合适的奖励机制来刺激用户提供数据训练和上传模型参数。
对此，作者提出了【基于区块链的区块链联邦学习（BlockFL）】：
（1）用区块链网络来代替中央服务器，区块链网络允许交换设备的本地模型更新；
（2）加入验证和提供相应的奖励机制。
加入区块链之后，还要考虑延迟问题，因为越高的延迟会导致越多的forking现象。造成延迟的原因主要有以下几个：
compution delays：训练本地模型、在本地计算全局模型；
communication delays：上传本地模型、下载本地模型、块传播延迟、块验证延迟(可忽略)；
block Generation：块生成延迟。
对此，作者又对BlockFL由区块链网络引起的延迟进行了分析，研究了BlockFL端到端学习完成延迟，考虑通过调整块的生成速率即POW难度来使延迟最小化，以此增加系统的实用性。
2. ARCHITECTURE AND OPERATION
2.1 one-Epoch BlockFL Operation
Fig.1.a是传统FL的架构，不再进行赘述。
Fig.1.b是BlockFL的架构。BlockFL的逻辑结构由矿工和设备组成。矿工在物理上是随机选择的设备或者单独节点。
BlockFL每一轮训练可以分为7个步骤：
1）本地模型更新：设备
用local sample训练local model。[计算公式（1）]
2）本地模型上传：设备
3）交叉验证：矿工广播传递local model并进行验证。若验证通过，则把它记录在矿工的候选块中（直到达到block size，或者达到maxinum waiting time）。
4）块生成：每个矿工运行POW，直到找到nonce或收到生成块。
5）块传播：首次找到nonce的矿工的候选块被作为新块并传播给其他矿工，矿工从区块链网络上获得挖矿奖励（mining reward）。为了避免链分叉，一旦每个矿工接收到新的块，就发送一个ACK，包括是否发生forking。如果发生forking，操作将从第1）步重新开始，生成新块的矿工等待一个预定义的而最大block ACK waiting time。
6）全局模型下载：设备
从相邻矿工那里下载新块。
7）全局模型更新：设备
这个循环过程结束的条件：
.
2.2 FL operation in BlockFL
（1）设备集：
. 的数据样本为
.
（2）FL模型：本文解决的是平行回归问题。
所有设备的数据样本：
，其中，
是d维列向量，
。
目标：minimize loss function 
。
和传统FL一样，使用随机方差消减梯度算法。所有的设备的本地模型更新采用分布式拟牛顿法进行聚合。
3. END-TO-END LATENCY ANALYSIS
3.1 One-Epoch BlockFL Latency Model
延迟分析在instruction中已有叙述，此处略。
3.2 Latency Optimal Block Generation Rate
使用公式（3）推导出最优的“块生成率”。
过程略。
结论：过大的块生成率
，forking的发生率变大，进而导致学习完成延迟变大。
相反，过小的块生成率，生成块的代价变大，延迟也会变高。
4.NUMERICAL RESULTS AND DISCUSSION
数值评估了BlockFL的平均完成学习延迟。
Fig.3.a 表示块生成率对BlockFL的平均学习完成延迟的影响
延迟图像是凸形的，并且随着SNR(信噪比)的增大而减小。
Fig.3.b 说明
在设备数量相同的情况下，BlockFL与传统FL的准确率几乎相等。
Fig.4.a 说明BlockFL的学习完成延迟比传统FL更低（
）。
的时候，通过以0.05的概率向每个矿工的本地模型更新加入高斯噪声
。
- 无故障时，延迟的原因主要有：交叉验证、块传播。
- 在BlockFL中，每个矿工的故障仅仅影响它相联的设备，而这些设备可以从其他互联的正常矿工那里获得模型，从而消除这个影响。
- 较多的矿工可以获得更低的延迟。（
，有故障时）
- 存在一个使延迟最低的设备数目。过多的设备可以有更多可以利用的数据集，但会增大每个块的大小和块交换的时间，导致如图的“凸形延迟”。
Fig.4.b 设定一个设备成为矿工的门槛
.
无故障时，学习完成延迟变大（因为低门槛时，矿工多，交叉验证和块传播延迟高）
有故障时，延迟反而低（因为矿工少了，耗时减少）
Fig.4.c 表示恶意矿工的链比诚实矿工的链长的概率。
说明只要有几个块被诚实矿工“锁”住，被恶意矿工篡改的概率就几乎为0.
