Resumo Técnico: PQS-BFL

Declaração do Problema

O Aprendizado Federado (FL - Federated Learning) permite o treinamento colaborativo de modelos através de fontes de dados descentralizadas enquanto preserva a privacidade, tornando-se crítico para domínios sensíveis como a saúde. No entanto, a segurança do FL atual depende de primitivas criptográficas clássicas (ex: RSA, ECDSA) para autenticação e verificação de integridade. Esses sistemas são vulneráveis a futuros adversários quânticos capazes de executar o algoritmo de Shor, que pode quebrar eficientemente os fundamentos matemáticos da criptografia de chave pública clássica. Esta "ameaça quântica" cria uma vulnerabilidade de longo prazo onde os dados protegidos hoje poderiam ser comprometidos retrospectivamente assim que computadores quânticos poderosos estiverem disponíveis. Além disso, embora a tecnologia blockchain tenha sido proposta para aumentar a transparência e a auditabilidade do FL, a maioria das integrações de blockchain-FL também depende de criptografia clássica, herdando as mesmas vulnerabilidades quânticas. Há uma falta de frameworks práticos de ponta a ponta que integrem a Criptografia Pós-Quântica (PQC) com a verificação via blockchain para proteger as atualizações de FL contra ataques quânticos, mantendo a eficiência operacional.

Metodologia

O artigo apresenta o PQS-BFL (Post-Quantum Secure Blockchain-based Federated Learning), um framework projetado para proteger as atualizações de modelos de FL usando assinaturas digitais resistentes ao quantum e verificação descentralizada via blockchain.

Componentes Principais

1. Seleção de Esquema Criptográfico: Os autores realizaram uma análise comparativa de três finalistas de assinatura PQC do NIST: ML-DSA-65 (anteriormente Dilithium), Falcon-512 e SPHINCS+-SHA2-128s. Eles selecionaram o ML-DSA-65 para implementação devido ao seu perfil equilibrado de velocidades de assinatura/verificação rápidas, tamanhos de assinatura gerenciáveis e seu status de candidato ao padrão FIPS 204.
2. Arquitetura do Sistema:
   • Clientes: Realizam o treinamento local do modelo, computam o hash de suas atualizações de modelo e assinam esses hashes usando chaves privadas ML-DSA-65.
   • Rede Blockchain: Hospeda um contrato inteligente que armazena chaves públicas de clientes registradas e verifica as assinaturas recebidas.
   • Contrato Inteligente: Executa o algoritmo Verify para assinaturas ML-DSA-65 on-chain. Ele registra o hash de atualizações válidas, garantindo imutabilidade e auditabilidade.
   • Agregador: Busca os hashes de atualizações verificados da blockchain, recupera as atualizações completas de modelos correspondentes (comunicadas off-chain para minimizar custos de gas) e realiza a Média Federada (FedAvg).
3. Fluxo do Protocolo:
   • Os clientes registram suas chaves públicas PQC na blockchain.
   • Em cada rodada de FL, os clientes assinam hashes de atualização e os submetem ao contrato inteligente.
   • O contrato verifica as assinaturas e registra os hashes válidos.
   • O agregador coleta as atualizações verificadas, as agrega e distribui o novo modelo global.

Configuração Experimental

O framework foi avaliado usando uma implementação baseada em Python integrando PyTorch, liboqs (para ML-DSA-65) e Web3.py. Os experimentos foram conduzidos em uma instância local de blockchain Ganache para simular custos de transação e latência.

• Datasets: MNIST (classificação de imagens), SVHN (números de casas) e HAR (reconhecimento de atividade humana).
• Comparações: O PQS-BFL (ML-DSA-65) foi comparado contra uma linha de base clássica (ECDSA) e uma linha de base sem criptografia (apenas hashing).
• Métricas: Acurácia do modelo, tempos de operação criptográfica (KeyGen, Sign, Verify), tamanhos de assinatura, consumo de gas da blockchain, tempos de transação e escalabilidade com o aumento do número de clientes.

Principais Contribuições

1. Integração Resistente ao Quantum: A integração bem-sucedida do esquema de assinatura ML-DSA-65 em um framework de FL para autenticar atualizações de modelos contra adversários quânticos.
2. Verificação PQC Baseada em Blockchain: O design e a implementação de contratos inteligentes capazes de verificar assinaturas ML-DSA-65, permitindo a validação descentralizada e imutável das contribuições de FL.
3. Avaliação Empírica Abrangente: Experimentos extensos comparando o PQS-BFL contra ECDSA e uma linha de base através de múltiplos datasets e escalas de clientes (3, 10, 30 clientes), analisando acurácia, desempenho criptográfico e overhead de blockchain.
4. Análise de Overhead: Quantificação dos overheads de PQC e blockchain, demonstrando que o overhead criptográfico é mínimo em relação aos tempos totais de transação em um contexto de blockchain.
5. Lançamento Open-Source: Os autores liberaram a implementação e os benchmarks para facilitar a reprodutibilidade.

Resultados

• Desempenho Criptográfico: As operações ML-DSA-65 são eficientes, com tempos médios de assinatura de ~0,65 ms e tempos de verificação de ~0,53 ms. Embora sejam mais lentas que o ECDSA (aproximadamente 4x mais lentas na assinatura, 3,6x mais lentas na verificação), elas permanecem na escala de sub-milissegundos.
• Acurácia do Modelo: A integração de PQC não impactou negativamente o desempenho do modelo. Por exemplo, no MNIST com 3 clientes, o PQC alcançou 99,19% de acurácia, comparável ao ECDSA (99,07%) e à linha de base (99,32%).
• Overhead de Blockchain:
  • Custos de Gas: A verificação PQC consome significativamente mais gas (1,72 × 10⁶ unidades) comparado ao ECDSA (1,89 × 10⁵ unidades), principalmente devido aos maiores tamanhos de assinatura (3309 Bytes vs. 71 Bytes) e aritmética complexa.
  • Tempo de Transação: Os tempos de confirmação de transação PQC foram ligeiramente mais longos (0,32–0,37 s) do que o ECDSA (0,12 s) na simulação local.
  • Overhead Relativo: Crucialmente, o custo computacional das operações PQC constitui uma fração ínfima (<0,2%) do tempo total de transação da blockchain. A latência é dominada por mecanismos de rede e consenso, não pela verificação criptográfica em si.
• Escalabilidade: O sistema demonstrou crescimento sublinear nos tempos de rodada conforme o número de clientes aumentava de 3 para 30, indicando escalabilidade eficaz.

Significância e Alegações

O artigo afirma que o PQS-BFL demonstra a viabilidade prática de implantar segurança resistente ao quantum em sistemas de aprendizado federado. Os autores argumentam que, embora o PQC introduza artefatos de dados maiores e custos computacionais moderadamente superiores em comparação com a criptografia clássica, esses custos são gerenciáveis dentro de um contexto de blockchain.

As principais alegações incluem:

• Overhead Relativo Negligenciável: O desempenho do PQC não é o gargalo no FL baseado em blockchain; o overhead é mínimo quando visualizado contra a latência das transações de blockchain.
• Viabilidade de Longo Prazo: O framework fornece um caminho para organizações, particularmente em setores regulados como a saúde, para atualizar proativamente suas infraestruturas de ML colaborativo para segurança resiliente ao quantum de longo prazo sem sacrificar a eficiência operacional ou a acurácia do modelo.
• Viabilidade de Implantação: O estudo valida que os padrões PQC atuais (especificamente ML-DSA-65) podem ser integrados às arquiteturas existentes de FL-blockchain para protegê-las contra futuras ameaças quânticas.

Os autores reconhecem limitações, como custos de gas mais altos em blockchains públicas e a necessidade de implementações de contratos inteligentes otimizadas, mas concluem que o trade-off é justificado para alcançar resistência ao quantum de ponta a ponta no aprendizado descentralizado.