方晨，郭渊博，王一丰，胡永进，马佳利，张晗，胡阳阳

（1.信息工程大学密码工程学院，河南 郑州 450001；2.郑州大学网络空间安全学院，河南 郑州 450003；3.加利福尼亚大学河滨分校，河滨 CA92521）

1 引言

边缘计算是一种将计算、存储资源从云平台迁移到网络边缘的分布式服务架构，它由多个位于云服务器和本地设备间的边缘节点协同完成数据分析任务。由于其更靠近本地设备，因此能够提供时延更小的服务，如自动驾驶、虚拟现实、智慧城市等[1]。但是由于边缘节点通常位于不可信环境中，也面临各种安全和隐私威胁。如本地设备可能添加投毒样本或者将低质量数据发送给边缘节点，边缘节点可能推测本地设备的数据隐私，或者篡改计算结果来破坏协议的执行。因此设计边缘计算隐私保护的新方法需要考虑数据隐私性、计算结果正确性和数据处理过程可审计性3 个方面。

联邦学习[2]作为一种新型的分布式机器学习框架，可以联合多个本地设备在仅共享模型参数的前提下协同训练机器学习模型，能够有效避免本地设备向边缘节点直接传输数据造成的隐私泄露问题。而区块链作为一种分布式账本，以透明的方式记录数据处理过程，且具有去中心化、可追溯以及难以篡改等一系列特性[3]，可以满足边缘计算的可审计性需求。它与联邦学习相结合，可以代替中央服务器执行模型参数聚合，避免单点故障攻击问题。鉴于以上优点，近两年陆续有学者基于区块链和联邦学习对边缘计算的隐私保护展开研究。……