Quality of Service Compliance Verification Using Federated Learning Empowered by Blockchain
Nome: JOÃO PAULO DE BRITO GONÇALVES
Data de publicação: 26/03/2025
Banca:
Nome |
Papel |
|---|---|
| ANTÔNIO AUGUSTO ARAGÃO ROCHA | Examinador Externo |
| JOHANN MARQUEZ-BARJA | Coorientador |
| JOSÉ MARCOS SILVA NOGUEIRA | Examinador Externo |
| RAFAEL PASQUINI | Examinador Externo |
| RODOLFO DA SILVA VILLACA | Presidente |
Páginas
Resumo: SLAs (Service Level Agreements) são contratos formais entre consumidores e provedores de
serviços que descrevem os parâmetros de Qualidade de Serviço a serem fornecidos. Além da
natureza do serviço em si e seu nível de desempenho esperado, um SLA também especifica
os procedimentos para monitorar e relatar problemas, limites de tempo para resolução de
problemas e as consequências para clientes e provedores de serviços quando cláusulas são
violadas. A computação de borda traz um novo paradigma no qual recursos de computação,
armazenamento e largura de banda são compartilhados o mais próximo possível de
dispositivos móveis ou sensores, gerando uma grande quantidade de dados. Uma tendência
paralela é a ascensão de smartphones e tablets como dispositivos de computação primários
para muitas pessoas. Os poderosos sensores presentes nesses dispositivos (incluindo câmeras,
microfones e GPS), combinados com o fato de serem móveis, significam que eles têm acesso
a dados de natureza privada e diversa sem precedentes e a natureza sensível dos dados
significa que há riscos e responsabilidades em armazená-los em um local centralizado, o
que dificulta a verificação da conformidade com o SLA usando esses dados privados. Além
disso, atualmente vários paises exigem que as empresas de tecnologia tratem os dados
do usuário com cuidado, de acordo com as leis de privacidade do usuário. General Data
Protection Regulation (GDPR) da União Europeia é um excelente exemplo. Dessa forma,
para abordar a privacidade de dados necessária para alguns dados nesses dispositivos,
propomos o uso de Federated Learning (FL) para que dados específicos sobre serviços
acessados por clientes não saiam das máquinas de origem. FL é um novo subcampo de
Machine Learning (ML) que permite treinar modelos sem coletar os dados em si. Em vez
de compartilhar dados, os usuários treinam um modelo colaborativamente enviando apenas
atualizações de peso para um servidor. No entanto, o uso ingênuo de FL nos cenários
acima mencionados o expõe a um risco de corrupção, intencional ou não, durante a fase
de treinamento. Isso se deve à falta de monitoramento do treinamento e à dificuldade em
verificar a qualidade dos conjuntos de dados de treinamento. Para melhorar a segurança
dos sistemas FL, propomos uma estrutura baseada em blockchain em um cenário de
computação em borda. Blockchain, com sua imutabilidade e rastreabilidade, pode ser
uma ferramenta eficaz para prevenir ataques maliciosos em FL. Mais especificamente,
as atualizações imediatas feitas por cada participante em seu modelo local podem ser
encadeadas no livro-razão distribuído oferecido por um blockchain, de modo que essas
atualizações de modelo sejam auditadas e os treinadores maliciosos possam ser removidos
do sistema. Também aplicamos blockchain para criar um mecanismo de recompensa em FL
para habilitar uma estratégia de incentivo para treinadores. Validamos nossa abordagem
demonstrando nossa solução para proteger dados confidenciais implantando uma Prova de
Conceito (PoC) e avaliamos métricas de desempenho em diferentes cenários por meio de
simulações extensivas.
