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）或股权证明（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引起了人们对传统 PoW 方法的极大关注。虽然 PoS 机制消耗的能源较少，但存在安全和经济问题。为了解决这些问题，有用工作证明（PoUW）范式试图将有实际意义的挑战作为 PoW，从而使能源消耗具有切实的价值。虽然之前的有关学习证明（PoL）的研究探讨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容易受到对抗性攻击和在设计拜占庭安全 PoL 机制方面的理论难度。本文引入了“激励安全”这一概念，以激励理性的证明者为自己的最佳利益而诚实行事，绕过现有的难度，设计了一个具有计算效率、可证明的激励安全保证和可控难度的 PoL 机制。特别地，我们的工作对最近的贾等人的工作进行了两种攻击的安全保障，并将计算开销从 $\Theta(1)$ 改进为 $O(\frac{\log E}{E})$。此外，尽管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，即使问题提供者不受信任，也保证了验证者激励安全，绕过了验证者困境。通过将机器学习训练纳入具有可证明保障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环保解决方案，而且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。

解决区块链系统中PoW和PoS机制所带来的能源消耗和安全性问题，提出了Proof-of-Useful-Work（PoUW）的概念，将有意义的任务作为PoW的挑战，使能源消耗具有实际价值。

提出了一种基于机器学习训练的PoUW机制，称为Proof of Learning（PoL），通过激励机制使得证明者在自身最大利益下诚实地行为，从而解决了现有PoL机制的安全性和计算效率问题，同时保证了前端和验证者的激励安全。

论文提出的PoL机制具有计算效率高、安全性强、可控难度等优点，在实验中使用了MNIST和CIFAR-10数据集进行验证，并与最近的相关工作进行了比较，同时提出了完全去中心化的计算能力市场的构想。

最近的相关研究包括以往的PoL机制，如DeepIoT、PoL-based IoT、PoL-based blockchain等，以及最近的一篇论文《Towards Incentive-Secure Proof of Learning》。