基于区块链的分层联邦学习

分层联邦学习（HFL）在保留联邦学习（FL）隐私保护优势的同时，减轻了通信开销，具有高带宽和丰富计算资源的优点。当FL的工作人员或参数服务器不可信或恶意时，方法是使用分层联邦学习。

1.Semi-Asynchronous Hierarchical Federated Learning over Mobile Edge Networks

IEEE Access

QIMEI CHEN1, (Member, IEEE), ZEHUA YOU1, JING WU1, YUNPENG LIU1, and HAO JIANG1

2022

（端边云架构   先同步后异步   节点选择不是选择终端节点而是选择边缘节点    无区块链）

半异步分层联邦学习（SAHFL）框架，支持从数据感知到云模型的弹性边缘聚合。SAHFL框架，将本地-边缘的同步聚合模型和边缘-云的半异步聚合模型相结合。提出了一种分布式交替方向乘子法（ADMM）-块坐标更新（BCU）算法。利用该算法，可以在训练精度和传输时延之间取得折衷。

边缘模型聚合：同步聚合对更新后的模型进行平均。云聚合：在每轮中只能选择部分边节点。 = 1表示边节点k已被选中。

2.FedAT: A High-Performance and Communication-Efficient Federated Learning System with Asynchronous Tiers

Zheng Chai   Yujing Chen  Ali Anwar

2021

（层内同步更新局部模型参数，在层间异步更新全局模型   无区块链）

提出了一种新的加权聚集启发式算法，为较慢的层分配较高的权重。FedAT，它在层内同步更新局部模型参数，在层间异步更新全局模型。FEDAT由三个主要组件组成：集中式服务器；客户机；分层模块。

每一层进行同步更新过程，随机选择一小部分客户机，计算其本地数据的丢失梯度，然后将压缩后的权值发送给服务器进行同步更新，并在服务器上更新层模型。客户机迅速完成本地训练，压缩训练后的模型并发送到服务器。 服务器执行：解压缩；得到