# Uno studio rileva che le ricompense ZK hanno aumentato la quota degli aggressori nei test di apprendimento federato

Published 2026-11-13 · Crypto.world Team · Crypto.world

> Uno studio ha rilevato che il suo sistema di ricompense in token a tutela della privacy ha assegnato agli avversari simulati una quota maggiore delle ricompense rispetto a una versione che rendeva pubblici i punteggi di qualità. L’articolo segnala anche monopoli degli avversari nelle fasi finali e costi di transazione più elevati per la versione a conoscenza zero.

## Filtro per la privacy, quota maggiore agli avversari

Un sistema di ricompense in token a tutela della privacy ha assegnato agli aggressori simulati in media il 24,51% delle ricompense, contro il 10,27% di una versione che rendeva pubblici i punteggi di qualità, riferisce un articolo. I ricercatori affermano che il sistema a conoscenza zero ha prodotto anche una variazione della quota di ricompense degli aggressori 9,8 volte maggiore nei test condotti.

Fonte [arxiv.org](https://arxiv.org/abs/2611.16065)

Sottoposto ad arXiv l’11 novembre, l’articolo confronta due smart contract in Solidity che emettono token non trasferibili per i contributi all’apprendimento federato. Uno distribuisce le ricompense usando un punteggio di qualità pubblico; l’altro usa una prova a conoscenza zero per verificare che un punteggio raggiunga una soglia senza rivelare il punteggio stesso. L’articolo è stato accettato alla 12th Balkan Conference in Informatics (BCI 2026), dove ha ricevuto il premio per il miglior articolo.

## Come è cambiato il punteggio

L’esperimento ha usato 30 client per addestrare un modello LeNet-5 su MNIST per 20 round, selezionando 10 client per round. Cinque avversari hanno inviato gradienti nulli, rumore casuale o aggiornamenti obsoleti, tra gli altri comportamenti, e i ricercatori hanno ripetuto l’esperimento con tre diversi semi casuali. Il contratto a tutela della privacy richiedeva un punteggio di qualità pari almeno a 50.

Gli autori collegano i risultati a una distorsione nel calcolo del punteggio basato sulla similarità coseno. Con il progredire dell’addestramento e la convergenza del modello globale, gli aggiornamenti dei client onesti si riducevano, mentre gli aggiornamenti con rumore potevano comunque superare la soglia fissa. Nell’esecuzione con seed 42, l’avversario basato sul rumore è diventato l’unico partecipante verificato nei round dal 17 al 20 e si è aggiudicato tutti i token coniati in quei round.

Su tutti e tre i semi casuali, il sistema a conoscenza zero ha prodotto una quota media delle ricompense assegnata agli avversari pari al 24,51%, con una deviazione standard di 6,93 punti percentuali. I valori corrispondenti per il contratto con punteggio pubblico erano il 10,27% e 0,71 punti percentuali. L’articolo riferisce inoltre che il coefficiente di Gini delle ricompense dei partecipanti onesti è salito da 0,2171 con il contratto standard a 0,4616 con la versione a conoscenza zero.

## Costi e limiti

Le misurazioni del gas riportate nell’articolo indicano 13,0 milioni di gas per il contratto standard nell’arco di un addestramento di 20 round e 16,2 milioni per la versione a conoscenza zero con un verificatore stub. Con un verificatore Groth16 destinato alla produzione, i ricercatori stimano un costo di 29,8 milioni di gas. Il loro modello stima che una singola transazione di distribuzione delle ricompense possa coprire 271 partecipanti con il sistema a conoscenza zero.

Gli autori avvertono che la valutazione ha usato un verificatore stub per isolare i costi del contratto e ha ipotizzato un coordinatore onesto. Non è stata usata l’aggregazione sicura, quindi il coordinatore poteva vedere i gradienti in testo semplice. La prova nasconde i singoli punteggi di qualità, ma, secondo l’articolo, restano osservabili i tempi delle prove on-chain, l’emissione delle ricompense e la distruzione dei token. L’articolo discute possibili misure di mitigazione, tra cui l’aggregazione leave-one-out, soglie dinamiche e il monitoraggio della qualità storica dei partecipanti.

## Fonti

1. Fonte originale · Preprint [Tokenized Reward Systems for Federated Learning: The Privacy vs. Fairness Tradeoff](https://arxiv.org/abs/2611.16065) arXiv:2611.16065

## Notizie correlate

- [L’articolo modella i controlli in fase di esecuzione contro la confusione dei tipi negli smart contract](https://crypto.world/it/news/paper-models-runtime-checks-smart-contract-type-confusion)
- [Ricercatori testano un sistema Besu per il regolamento privato dell’energia locale](https://crypto.world/it/news/researchers-test-besu-private-local-energy-settlement)
- [Un preprint presenta BioBind, protocollo per l’autenticazione biometrica a conoscenza zero](https://crypto.world/it/news/preprint-biobind-biometric-zero-knowledge-authentication)
- [Un preprint ribattezza LinkDID come Braid, un’architettura d’identità che collega identificatori tra app](https://crypto.world/it/news/braid-revises-cross-app-identity-design)
- [Il preprint GRIDSHIELD propone una compensazione indipendente dall’ordine per lo scambio di energia P2P](https://crypto.world/it/news/gridshield-manipulation-resistant-p2p-energy-trading)

## Esplora

[Altri articoli](https://crypto.world/it/news)

---

Canonical: https://crypto.world/it/news/paper-finds-zk-rewards-raised-attackers-share-federated-learning
