Τεχνολογίες κατανεμημένου εδαφίου και μηχανική μάθηση

Όνομα και Επώνυμο Υποψ. Διδάκτορα	Ανδρέας Σορτ
Μέλη 3-μελούς επιτροπής	Ελένη Αικατερίνη Λελίγκου Θεοφάνης Ορφανουδάκης Παναγιώτης Τρακάδας
Ημερομηνία έναρξης / Αρ. Πρωτοκόλλου	Πράξη 22/11-12-2019

O στόχος της διατριβής είναι να εξετάσει τις νέες δυνατότητες που προσφέρονται από τον συνδυασμό δύο πολύ σύγχρονων τεχνολογιών: των τεχνολογιών κατανεμημένου εδαφίου (Distributed Ledger Technologies – DLT) και της Μηχανικής Μάθησης (Machine Learning – ML) στην επιλογή αξιόπιστων και ασφαλών δεδομένων σε συγκεκριμένες εφαρμογές.

Πιο συγκεκριμένα, η συνεισφορά των DLT προκύπτει απ’ το γεγονός ότι μπορούν να αποθηκεύουν σε έναν δημόσιο κοινό πίνακα/εδάφιο (ledger) με ασφάλεια πληροφορίες (όπως συναλλαγές) οι οποίες μπορεί και να είναι το αποτέλεσμα από την εκτέλεση ενεργειών καθοδηγούμενες από έξυπνα συμβόλαια (smart contracts) που δύνανται να εκτελεσθούν σε ένα δίκτυο. Επιπλέον, η χρήση της τεχνολογίας αυτής στη δημιουργία ψηφιακών νομισμάτων καταδεικνύουν το επίπεδο ασφάλειας και τις σχέσεις εμπιστοσύνης που δημιουργούνται, χωρίς την αναγκαιότητα ύπαρξης κεντρικής εποπτεύουσας αρχής (trusted third party). Η εμπιστοσύνη στα αποθηκευμένα δεδομένα δημιουργείται από το ότι οι πληροφορίες όχι μόνο είναι προσβάσιμες από πολλούς (decentralized) και δεν μπορούν να αλλοιωθούν (immutable), αλλά επίσης επειδή υπάρχει ιχνηλασιμότητα ώστε να μπορεί να ανατρέξει κανείς στις συνθήκες που συντέλεσαν στην ενημέρωση των δεδομένων (π.χ. συναλλαγές).

Από την άλλη πλευρά, η μηχανική μάθηση έχει ένα ευρύ φάσμα εφαρμογών, μιας και μπορεί να μαθαίνει και να βελτιώνεται με αυτόματο τρόπο από παρεχόμενα δεδομένα, να εξάγει χρήσιμες πληροφορίες από μεγάλο όγκο πληροφοριών και ως εκ τούτου, να βοηθάει στη λήψη αποφάσεων.

Ο βασικός σκοπός της προτεινόμενης διατριβής είναι να συνδυαστούν τα πλεονεκτήματα των δύο αυτών τεχνολογιών, ώστε να εξεταστούν τα οφέλη στις παρακάτω θεματικές ενότητες:

• Εκμάθηση αλγορίθμου με ασφαλή τρόπο
• Η ικανότητα ενός αλγορίθμου μηχανικής μάθησης να λαμβάνει σωστές αποφάσεις, ανάγεται στη σωστή εκπαίδευση του μοντέλου. Η εκπαίδευση αυτή γίνεται με χρήση δεδομένων που έχουν συλλεχθεί, τα οποία πρέπει να είναι αξιόπιστα και ασφαλή. Τα DLT αποτελούνται από δεδομένα που πληρούν αυτές τις προϋποθέσεις, καθώς αυτά έχουν εισαχθεί με χρήση ψηφιακών υπογραφών σε ένα κατανεμημένο περιβάλλον ενισχυμένης αξιοπιστίας.
• Εμπιστοσύνη στις αποφάσεις αλγορίθμων μηχανικής μάθησης
• Σε κάποιες εφαρμογές, απαιτείται ιχνηλασιμότητα στις αποφάσεις που έχουν παρθεί από συστήματα που κάνουν χρήση αλγορίθμων μηχανικής μάθησης. Τα DLT μπορούν να χρησιμοποιηθούν ως μέσο για την αποθήκευση των αποτελεσμάτων μιας απόφασης, με τρόπο που να εγγυάται την μη αλλοίωση των δεδομένων.

Αποκεντροποιημένα συστήματα μηχανικής μάθησης (decentralized machine learning DML):

Ο αλγόριθμος μηχανικής μάθησης αρχικά εκπαιδεύεται κεντρικά, και αργότερα είναι πιθανό να αναπτυχθεί σε απομακρυσμένο σημείο. Στη συνέχεια μπορεί να παρουσιαστεί η ανάγκη για περεταίρω εκμάθηση/βελτίωση του αλγορίθμου. Σε ένα αποκεντροποιημένο περιβάλλον που αποτελείται από πολλαπλά σημεία μηχανικής μάθησης παρουσιάζεται το πρόβλημα της συντονισμένης βελτίωσης του αλγορίθμου με πιστοποιημένα και ασφαλή δεδομένα τα οποία δεν θα επιτρέπουν αλλοίωση. Τα δεδομένα μπορεί να είναι δημόσια, εύκολα προσπελάσιμα, αλλά να είναι ακατάλληλα για την εκμάθηση του μοντέλου. Η αποκεντρικοποιημένη και ασφαλή φύση των τεχνολογιών DLT, τις καθιστά χρήσιμες σε αυτή την περίπτωση, καθώς μπορούν να χρησιμοποιηθούν έτσι ώστε να αποθηκεύονται σε αυτές τα αποτυπώματα (hashes) μόνο των δεδομένων που έχουν επιλεχθεί για εκμάθηση από του αλγορίθμου. Η απομακρυσμένη εφαρμογή, έχοντας πρόσβαση στα δεδομένα ενός δημόσιου δικτύου DLT, θα μπορεί να είναι σε θέση να επιλέγει μόνο αυτά τα οποία είναι κατάλληλα, και να προσαρμόζει τον αλγόριθμο αναλόγως.

Μία άλλη λειτουργία των αποκεντροποιημένων συστημάτων μηχανικής μάθησης, είναι η λειτουργία σε κατάσταση σμήνους (swarm). Καθώς οι αποφάσεις τους είναι πιθανολογικής φύσης, σε ορισμένες εφαρμογές είναι θεμιτή μία συντονισμένη ψηφοφορία μεταξύ των μελών του σμήνους. Η ψηφοφορία μπορεί να διεξαχθεί στο DLT, όπου κάθε ψήφος αναπαρίσταται από μία συναλλαγή, και έτσι κάθε μέλος του σμήνους μπορεί χωρίς αμφιβολία εξάγει το ίδιο αποτέλεσμα της ψηφοφορίας χωρίς να απαιτείται κάποια κεντρική εποπτεύουσα αρχή.

• Andrew R. Short, Τheofanis G. Orfanoudakis, Helen C. Leligou, “Improving Security and Fairness in Federated Learning systems”, International Journal of Network Security and its applications, Vol.13, No. 6, 2021, DOI: 10.5121/ijnsa.2021.13604
• Α. Short, HC. Leligou, E. Theocharis, “Execution of a Federated Learning process within a smart contract”, IEEE International Conference on Consumer Electronics, 2021, January 10-12, DOI: 10.1109/ICCE50685.2021.9427734
• Andrea Short, Helen C. Leligou, Efstathios Theocharis, Michalis Papoutsidakis, “Using blockchain technologies to improve security in Federated Learning Systems” IEEE COMPSAC (Conference on Computers, Software and Applications) 2020, July 2020, DOI: 0.1109/COMPSAC48688.2020.00-96.