量子科技中心_量科网

联邦学习（FL）能够在保护数据隐私的同时实现协同模型训练，但其经典加密基础架构容易受到量子攻击威胁。这一漏洞在医疗等敏感领域尤为关键。本文提出PQS-BFL（后量子安全的区块链联邦学习）框架，通过将后量子密码（PQC）与区块链验证技术相结合，为联邦学习提供抵御量子攻击的安全保障。该研究团队采用ML-DSA-65（FIPS 204标准候选算法，前身为Dilithium）签名对模型更新进行认证，并利用优化智能合约实现去中心化验证。在多样化数据集（MNIST、SVHN、HAR）上的大量评估表明：PQS-BFL能以固定签名尺寸3309字节实现高效密码操作（平均PQC签名时间0.65毫秒，验证时间0.53毫秒）；区块链集成带来的可接受开销包括平均交易时间约4.8秒，每次PQC配置更新平均消耗1.72×10^6单位gas。关键的是，密码操作相对于交易时间的开销占比极低（区块链+PQC情况下约0.01-0.02%），证实PQC性能并非基于区块链的联邦学习瓶颈。该系统保持具有竞争力的模型准确率（如MNIST数据集PQC条件下超过98.8%），并展现良好可扩展性——轮次时间随客户端数量增加呈亚线性增长。该工作的开源实现与可复现基准测试验证了在实际联邦学习系统中部署长效抗量子安全方案的可行性。