SI-ChainFL: Shapley-Incentivized Secure Federated Learning for High-Speed Rail Data Sharing

O artigo propõe o SI-ChainFL, um framework seguro e eficiente para aprendizado federado em sistemas de trem de alta velocidade que combina incentivos baseados no valor de Shapley com agregação descentralizada via blockchain para mitigar ataques maliciosos e eliminar pontos únicos de falha.

O essencial

Imagine que o sistema de trem-bala da China é como uma gigantesca orquestra. Para que a música (o transporte) seja perfeita e não haja engarrafamentos nas estações, os maestros precisam prever exatamente quantas pessoas vão chegar em cada estação. O problema é que cada maestro (estações, companhias de bilhetagem, meteorologistas) tem sua própria partitura secreta e não pode compartilhá-la com os outros por questões de privacidade.

Aqui entra o SI-ChainFL, a solução proposta pelos autores deste artigo. Vamos explicar como funciona usando analogias do dia a dia.

1. O Problema: A "Festa" onde ninguém ajuda

Na tecnologia atual chamada Aprendizado Federado, todos os maestros treinam seus modelos localmente e enviam apenas "sugestões" (atualizações) para um maestro central, sem revelar suas partituras.

Mas existem dois grandes problemas nessa festa:

• O "Gato de Botas" (Free-riding): Alguns participantes são preguiçosos. Eles não treinam nada, apenas pegam a partitura final pronta e dizem "eu ajudei". Eles querem os benefícios sem pagar a conta.
• O "Vandalismo" (Poisoning): Outros são mal-intencionados. Eles enviam sugestões erradas de propósito para estragar a música de todos, causando caos no sistema.
• O Maestro Único: Se o maestro central (o servidor) cair ou for hackeado, a orquestra inteira para. É um ponto único de falha.

2. A Solução: O Sistema SI-ChainFL

Os autores criaram um novo sistema que combina duas ideias geniais: Justiça Matemática e Um Livro de Regras Imutável.

A. A Medida de Mérito (O "Shapley Value" Inteligente)

Antes, pagavam-se os músicos apenas pelo tamanho da sua orquestra (quantos dados eles tinham). Mas isso é injusto! Um músico com poucos dados, mas que toca uma nota rara e crucial (como prever uma tempestade súbita ou um feriado especial), vale mais do que um músico com mil dados repetitivos.

O SI-ChainFL usa uma fórmula matemática chamada Valor de Shapley para calcular a contribuição de cada um. Pense nisso como um "avaliador de talentos" que olha para quatro coisas:

1. Utilidade de Eventos Raros: Você ajudou a prever aquela situação difícil e rara?
2. Diversidade: Seus dados são diferentes dos dos outros ou são apenas cópias?
3. Qualidade: Seus dados estão limpos e sem erros?
4. Tempo: Você enviou sua contribuição na hora certa?

O Truque da Velocidade: Calcular isso para 100 pessoas é como tentar contar todas as combinações possíveis de cartas em um baralho (leva uma eternidade). O SI-ChainFL inventou um atalho: ele foca apenas nos "eventos raros" (como os dias de grande movimento) e agrupa os músicos que são parecidos. Isso torna o cálculo super rápido, como usar um filtro de café em vez de coar grão por grão.

B. O Livro de Regras (Blockchain)

Para evitar o maestro central e os vândalos, eles usam uma Blockchain (uma espécie de livro de contabilidade digital que todos têm uma cópia e ninguém pode apagar).

• Votação: Antes de aceitar uma sugestão de um músico, os "validadores" (outros participantes confiáveis) votam.
• Recompensa: Só quem tem uma boa pontuação no "avaliador de talentos" (Shapley) consegue entrar na votação e ter seu voto contado.
• Segurança: Se alguém tentar enviar uma sugestão ruim (vandalismo), o sistema percebe que a pontuação de mérito é baixa e ignora a sugestão. O livro de regras registra tudo, então não há como esconder o que aconteceu.

3. O Resultado na Prática

Os autores testaram isso em dados reais de trens-bala e também em bancos de dados comuns de imagens (como reconhecer gatos e carros).

• Contra Vândalos: Mesmo que 90% dos participantes tentem estragar o sistema (enviando dados falsos), o SI-ChainFL continua funcionando e mantendo a precisão alta. É como se a orquestra conseguisse tocar uma sinfonia perfeita mesmo que a maioria dos músicos estivesse tentando fazer barulho.
• Contra Preguiçosos: Os "gatos de botas" são expulsos porque não têm pontuação de mérito e não recebem a partitura final.
• Velocidade: O sistema é muito mais rápido do que os métodos antigos porque não perde tempo calculando coisas inúteis.

Resumo em uma frase

O SI-ChainFL é como um sistema de orquestra onde ninguém precisa mostrar sua partitura secreta, mas todos são pagos e respeitados de acordo com a qualidade real da sua contribuição, garantindo que a música toque perfeitamente mesmo se houver traidores ou preguiçosos tentando atrapalhar.

Resumo técnico

Título: SI-ChainFL: Aprendizado Federado Seguro e Incentivado por Shapley para Compartilhamento de Dados de Trens de Alta Velocidade

1. Problema e Motivação

O artigo aborda os desafios críticos no compartilhamento de dados para previsão de fluxo de passageiros em sistemas de Trens de Alta Velocidade (HSR). Embora o Aprendizado Federado (FL) permita o treinamento colaborativo sem compartilhar dados brutos (preservando a privacidade), as soluções existentes enfrentam duas limitações principais:

1. Incentivos Insuficientes: Mecanismos de recompensa baseados apenas no tamanho da amostra ou alinhamento de gradiente ignoram o valor de dados raros e informativos. Isso leva a comportamentos de "carona" (free-riding), onde nós participam sem contribuir efetivamente, e a ataques de envenenamento (poisoning), onde nós maliciosos degradam o modelo global.
2. Agilidade Centralizada: A maioria dos esquemas depende de um servidor central para agregação, criando um ponto único de falha e riscos de segurança.

No contexto de HSR, dados de eventos raros (como picos súbitos de passageiros devido a condições climáticas extremas) são cruciais, mas frequentemente subvalorizados por métodos tradicionais. Além disso, a heterogeneidade dos dados e a necessidade de baixa latência exigem soluções escaláveis.

2. Metodologia Proposta: SI-ChainFL

O SI-ChainFL é um framework unificado que combina avaliação de contribuição baseada em Valor de Shapley com um protocolo de consenso baseado em Blockchain para agregação descentralizada. O sistema opera em três estágios principais:

• A. Quantificação de Contribuição (Valor de Shapley Multi-objetivo):
  O sistema avalia a contribuição de cada cliente não apenas pelo tamanho dos dados, mas por uma função de valor composta por quatro métricas:

  1. Utilidade de Eventos Raros: Foco na precisão na previsão de eventos de fluxo raros (usando AUPRC e MCC com orçamento de FPR).
  2. Diversidade de Dados: Medida pela similaridade de representações de características (matriz de similaridade cosseno) para evitar redundância.
  3. Qualidade de Dados: Avaliação baseada na limpeza (taxas de missing/outliers) e credibilidade dos rótulos.
  4. Temporalidade: Um fator de decaimento exponencial que prioriza contribuições mais recentes.

• B. Cálculo Aproximado de Shapley (Impulsionado por Exemplos Positivos Raros):
  O cálculo exato do Valor de Shapley é exponencialmente complexo ($O(2^n)$). Para resolver isso, o SI-ChainFL propõe uma estratégia de agrupamento de clientes:

  • Os conjuntos de validação são filtrados para reter todas as amostras positivas raras e uma proporção fixa de negativas.
  • Clientes com impacto insignificante nos exemplos positivos raros são agrupados em um "cliente virtual".
  • O cálculo de Shapley é realizado apenas sobre os $K$ clientes mais influentes e o cliente virtual, reduzindo a complexidade de exponencial para quase linear.

• C. Agregação Segura Baseada em Consenso (Blockchain):

  • Um protocolo de consenso descentralizado é utilizado para selecionar quais atualizações de modelo são agregadas.
  • A elegibilidade para agregação e o peso de cada atualização são diretamente vinculados aos escores de Shapley calculados.
  • Nós maliciosos ou com baixa qualidade de dados são filtrados antes da agregação, e o processo é registrado na blockchain para garantir auditabilidade e transparência, eliminando o ponto único de falha.

3. Principais Contribuições

1. Mecanismo de Incentivo Justo e Multidimensional: Desenvolvimento de uma métrica de Valor de Shapley que integra utilidade de eventos raros, diversidade, qualidade e temporalidade, superando as limitações de métricas baseadas apenas em tamanho de amostra.
2. Otimização Computacional: Proposta de uma estratégia de agrupamento de clientes baseada em exemplos positivos raros, que reduz drasticamente o custo computacional do cálculo de Shapley, tornando-o viável para cenários de larga escala.
3. Segurança Descentralizada: Integração de escores de Shapley em um protocolo de consenso blockchain, criando um mecanismo onde a recompensa e a participação na agregação global são verificáveis e resistentes a ataques.
4. Validação em Cenário Real: Construção e uso de um conjunto de dados real de HSR (fluxo de passageiros e meteorologia) para validar a eficácia do método em condições do mundo real.

4. Resultados Experimentais

Os experimentos foram realizados em conjuntos de dados públicos (MNIST, CIFAR-10, CIFAR-100) e no conjunto de dados real de HSR. O SI-ChainFL foi comparado com baselines como FedAvg, FedProx, FLTrust e RAGA sob ataques de free-riding e envenenamento.

• Robustez a Ataques: O modelo manteve alta precisão mesmo com 90% de clientes maliciosos. Em ataques de envenenamento (PA), o SI-ChainFL superou o RAGA em 14,12% de precisão no conjunto de dados HSR.
• Eficiência Computacional: A estratégia de agrupamento reduziu o tempo de cálculo do Valor de Shapley em até 8 vezes no conjunto de dados HSR em comparação com métodos de amostragem aleatória.
• Estabilidade: O desempenho do modelo permaneceu estável independentemente do número de clientes ou do tamanho do conjunto de validação, demonstrando alta escalabilidade.
• Privacidade: O uso de ruído gaussiano e clipping de gradientes garante privacidade diferencial (DP) sem comprometer significativamente a precisão do modelo.

5. Significância e Conclusão

O SI-ChainFL representa um avanço significativo na aplicação de Aprendizado Federado em infraestruturas críticas como o transporte ferroviário de alta velocidade. Ao resolver o dilema entre incentivo justo, segurança contra ataques e eficiência computacional, o framework permite que diferentes departamentos (operações, vendas de bilhetes, meteorologia) colaborem de forma segura.

A principal contribuição teórica e prática reside na demonstração de que é possível quantificar o valor de dados raros e distribuir incentivos de forma justa usando blockchain, eliminando a necessidade de uma autoridade central confiável e garantindo a robustez do modelo global mesmo em ambientes hostis com alta proporção de participantes maliciosos. O trabalho abre caminho para a aplicação de FL em outros cenários de cidades inteligentes e sistemas de transporte complexos.