Towards Trustworthy Collaborative Machine Learning: A Blockchain-Driven Federated Approach

The purpose of this thesis is to explore how integrating Blockchain (BC) technology with Federated Learning (FL) can improve the security and reliability of standard FL systems. To achieve this, the principles of FL and BC are first reviewed. Next, various Blockchain Enabled Federated Learning (BCFL) architectures are theoretically examined, weighing their strengths and weaknesses. Finally, a straightforward implementation of one of the discussed architectures is conducted to assess its efficiency and efficacy. The simulation highlights that while the computational overhead associated with BC technology is significant, it does not affect the model's quality. Despite this overhead, the integrity added to FL by BC makes it a promising solution for securing decentralized and distributed machine learning systems.

Lo scopo di questa tesi è studiare come integrare la tecnologia Blockchain (BC) con il Federated Learning (FL) possa migliorare la sicurezza e l'affidabilità dei sistemi FL standard. Per raggiungere questo obiettivo, vengono prima esaminati i principi di FL e BC. Successivamente, varie architetture di Blockchain-Enabled Federated Learning (BCFL) vengono esaminate teoricamente, valutandone i punti di forza e debolezze. Infine, viene condotta un'implementazione di una delle architetture discusse per valutarne l'efficienza e l'efficacia. La simulazione evidenzia che mentre il sovraccarico computazionale associato alla tecnologia BC è notevole, non ha effetto sulla qualità del modello. Nonostante questo sovraccarico, l'integrità aggiunta al FL dalla BC la rende una soluzione promettente per la sicurezza di sistemi di apprendimento automatico decentralizzati e distribuiti.