Proof-of-Learning with Incentive Security

大多数并发区块链系统在去中心化共识和安全保障方面严重依赖工作量证明（PoW）或权益证明（PoS）机制。然而，由于计算密集但毫无意义的任务所带来的巨大能源消耗，传统的PoW方法引起了相当大的关注。虽然PoS机制不需要能源消耗，但却存在安全和经济问题。为了解决这些问题，有用工作证明（PoUW）的范例试图将具有实际意义的挑战作为PoW，从而赋予能源消耗具有切实价值。虽然以前的有关学习证明（PoL）的研究探索了将深度学习模型训练SGD任务作为PoUW挑战的利用，但最近的研究揭示了其对敌对攻击的脆弱性以及设计拜占庭安全PoL机制的理论困难。本文介绍了激励安全的概念，激励理性的证明者为了自身最大利益而诚实行事，从而绕过现有的难度，设计具有计算效率、可证明的激励安全保证和可控难度的PoL机制。特别地，我们的工作可以抵御对贾等人最近工作的两种攻击，并将计算开销从$\Theta(1)$提高到$O(\frac{\log E}{E})$。此外，虽然大多数最近的研究假定问题提供者和验证者是可信的，我们的设计还保证了前端激励安全，即使问题提供者不可信，也可以绕过验证者困境的验证者激励安全。通过将机器学习训练纳入具有可证明保证的区块链共识机制中，我们的研究不仅提出了区块链系统的生态友好解决方案，而且为新的AI时代提供了一个完全去中心化的计算能力市场的建议。

本文试图解决区块链中PoW和PoS机制的能源浪费和安全问题，提出了Proof-of-Useful-Work（PoUW）的概念，将有意义的实际挑战任务作为PoW的替代方案，同时保证安全性和经济性。

本文提出了激励安全的概念，通过奖励理性的证明者为了自身最大利益而诚实行事，设计了一个PoL机制，保证了计算效率、可控的难度和可证明的激励安全性，同时解决了Jia等人最近工作中的两种攻击，并将计算开销从Θ(1)降低到O(log E/E)。

本文的亮点在于不仅提出了PoUW的概念，而且通过将机器学习训练任务纳入区块链共识机制，提出了一个对环境友好的解决方案，并为新的人工智能时代提供了一个完全去中心化的计算能力市场的提案。实验设计了一个能够保证前端激励安全和验证器激励安全的PoL机制，并在数据集和开源代码方面进行了说明。

最近的相关研究包括Proof of Learning（PoL）和Jia等人的工作。