《Array》：HLF-FSL: A decentralized federated split learning solution for IoT on hyperledger fabric
编辑推荐：
本文介绍了一项名为HLF-FSL的创新研究，该工作旨在解决敏感领域（如医疗、金融）协同机器学习面临的隐私、可扩展性和中心化信任瓶颈问题。研究人员将联邦分割学习（FSL）与许可制区块链Hyperledger Fabric（HLF）深度融合，设计了一种无需中心协调器的去中心化架构。该方案利用HLF的链码实现流程编排、瞬态字段和私有数据集合（PDCs）保护中间数据隐私，并在CIFAR-10、MNIST和ImageNet-Mini数据集上验证了其有效性。结果表明，HLF-FSL在保持与标准服务器协调的FSL基线相同精度的同时，显著降低了每轮训练时间，并提供了更强的可审计性和抗恶意客户端行为能力，为企业级安全协作学习提供了可行路径。
在人工智能浪潮席卷各行各业的今天，如何在保护数据隐私的前提下，联合多方数据资源共同训练更强大的机器学习模型，成为了一个亟待解决的核心挑战。尤其是在医疗、金融等高度敏感的领域，数据如同珍宝般被严格保管在各家机构内部，无法轻易集中。传统的联邦学习（Federated Learning, FL）虽然允许数据留在本地，仅上传模型更新，但其依赖一个中心服务器进行聚合的模式，不仅带来了单点故障和性能瓶颈的风险，更意味着所有参与方的模型更新信息都需经过此中心节点，存在隐私泄露的潜在威胁。另一种技术路径——分割学习（Split Learning, SL），通过将模型分割放置在客户端和服务器端来增强隐私，但其串行训练方式又严重制约了大规模部署的效率。
难道隐私与效率、中心化协调与分布式信任之间，真是不可调和的矛盾吗？近期发表在《Array》上的一项研究给出了一份令人振奋的否定答案。由Carlos Beis-Penedo等人完成的工作，提出并实现了一种名为HLF-FSL的全新架构，巧妙地将联邦学习与分割学习的优势相结合（即联邦分割学习Federated Split Learning, FSL），并进一步利用企业级许可制区块链框架Hyperledger Fabric（HLF）来实现去中心化、可验证的协调机制，从而在保障数据隐私和模型性能的同时，消除了对单一可信中央协调器的依赖。
这项研究的出发点非常明确：构建一个真正适用于企业级敏感场景的、安全、可扩展且可审计的协同机器学习平台。研究人员认识到，即使是在FSL框架下，中间激活值（activations）和梯度（gradients）的交换仍可能存在信息泄漏风险，并且大规模模型参数在分布式环境下的可验证管理同样是一大难题。HLF-FSL的核心理念在于，将区块链不再视为计算引擎，而是作为一个去中心化且可审计的协调基础层。该系统利用HLF的智能合约（链码）来编排整个FSL工作流程，从模型管理到更新聚合，均无需中心协调器。为了屏蔽敏感的中间数据，他们利用了HLF的瞬态字段（transient fields）进行短暂数据传递，并利用私有数据集合（Private Data Collections, PDCs）来管理访问受控的引用。对于大型模型参数，则采用链下存储、链上存哈希（hash）的方式，确保完整性而不导致账本膨胀。
关键技术方法概述
为验证HLF-FSL的可行性，研究团队构建了一套完整的系统并进行了多维度评估。关键技术方法包括：1）基于Hyperledger Fabric的链码驱动协调协议，用于替代中心服务器，管理参与者身份、工作流状态并执行可插拔的聚合规则（如FedAvg, Krum）。2）隐私感知数据平面，利用HLF的瞬态字段和PDCs，确保原始数据、中间激活值、梯度等敏感信息不上链，仅保存其密码学哈希值用于验证和审计。3）实验评估涉及CIFAR-10、MNIST和ImageNet-Mini数据集，使用ResNet-18等模型，在IID（独立同分布）和非IID（非独立同分布）数据设置下，对比了HLF-FSL与标准FSL、SL以及基于以太坊的基线在精度、每轮训练时间、通信开销和鲁棒性方面的表现。实验中还考虑了多服务器扩展性和模拟服务器故障的场景。
研究结果
4.1 功能验证与基线性能
研究首先在CIFAR-10和MNIST数据集上进行了功能验证。结果表明，HLF-FSL能够成功完成训练任务。在CIFAR-10上，HLF-FSL达到了94.14%的最终测试准确率，与标准服务器协调的FSL基线（94.7%）相当，证明了引入区块链协调并未对最终学习性能产生显著影响。在训练效率方面，HLF-FSL在10个客户端、批量大小为64的设置下，平均每轮训练时间为30分钟38秒，相比之前基于以太坊的实现（1小时25分钟）有显著提升，当然，与无区块链的纯内存FSL基线（5分钟50秒）和SL基线（5分钟10秒）相比，仍有因区块链SDK交互和交易处理带来的开销。收敛曲线显示，HLF-FSL的全局模型能够稳定收敛，训练损失持续下降至平稳。
4.2 非IID条件下的鲁棒性
为了评估系统在更符合现实的数据异构环境下的表现，研究采用了狄利克雷（Dirichlet）分布模拟了非IID数据分区。实验发现，即使在数据分布高度倾斜（浓度参数α较小）的情况下，HLF-FSL仍然表现出强大的学习性能。虽然最终准确率略低于IID设置，但下降幅度相对平缓，表明FSL范式本身以及HLF的协调机制对数据异构性具有一定的内在鲁棒性。
4.3 多服务器可扩展性与鲁棒性
为了提升系统吞吐量和容错能力，研究探索了多服务器实体的部署。在CIFAR-10实验中，随着服务器实体数量从1个增加到4个，平均每轮训练时间大致按服务器侧负载减少的比例下降（从1服务器到4服务器，速度提升约3-4倍），而测试精度保持稳定。此外，在4服务器的设置中模拟了单个服务器实体中途故障的情况。实验表明，若故障发生在聚合步骤后（轮次初期），训练曲线和最终精度与无故障运行几乎无差异；即使故障发生在轮次末期，影响也相对有限，体现了系统良好的容错和负载均衡能力。
4.4 可扩展性分析
研究对系统的计算和通信开销进行了细致分析。通过测量各组件（客户端前向/反向传播、服务器批处理、聚合计算等）的耗时以及SDK调用延迟、通信量，量化了区块链层引入的开销。分析指出，主要的计算负载仍在链下，HLF的协调开销是相对固定且有界的。对于大型、复杂的模型任务（如ImageNet-Mini上的DenseNet-121），链下计算和FSL通信成本占主导，使得区块链开销的相对占比降低，系统“生存能力比率”（Viability Ratio）较高，表明该架构尤其适用于计算密集型的企业级应用。
4.5 对抗性评估：梯度泄漏与投毒
研究还从对抗性角度评估了HLF-FSL的安全性。针对诚实但好奇的服务器可能尝试从中间激活值和梯度重建原始数据的问题（即梯度 inversion 攻击），研究指出HLF-FSL通过瞬态字段和PDCs减少了数据的持久化和暴露范围，但授权方在链码执行期间仍可能接触到明文张量，因此需要结合噪声添加、加密等补充防御措施。针对拜占庭客户端（发送恶意更新）的威胁，HLF-FSL支持集成Krum、Trimmed Mean等鲁棒聚合规则，并结合HLF的成员服务提供者（MSP）身份管理，有效限制了恶意更新的影响，提供了比传统FedAvg更强的鲁棒性。
研究结论与意义
本研究成功设计并实现了HLF-FSL，一个基于Hyperledger Fabric的去中心化联邦分割学习平台。该工作的主要贡献在于：1）提出了一种去除单点信任协调器的FSL架构，将协调逻辑和信任假设编码为HLF链码和背书策略。2）实现了隐私感知的数据平面，综合利用HLF特性保护敏感数据。3）开发了链码驱动的协调协议，支持可插拔聚合规则。
实验结果表明，HLF-FSL在保证模型精度与中心化基线相当的前提下，实现了可验证的、去中心化的协作学习流程，显著提升了系统的安全性、可审计性和鲁棒性。与基于公有链（如以太坊）的方案相比，HLF-FSL在性能上具有明显优势，更适用于需要低延迟、高吞吐的企业环境。
这项工作的重要意义在于，它为在严格监管和要求高度数据隐私的领域（如医疗健康、金融服务、物联网）开展安全、高效的协同人工智能研究与应用提供了一个切实可行的技术框架。通过将先进的机器学习范式与成熟的许可制区块链技术深度融合，HLF-FSL为构建下一代可信、可扩展的分布式学习生态系统奠定了坚实的基础，推动了隐私保护机器学习向实际落地迈出了关键一步。未来的研究方向包括集成更强大的隐私增强技术（如差分隐私、同态加密）、探索在更复杂模型和网络条件下的性能优化，以及在实际跨机构场景中的部署验证。
