AwakeFL
Treinar juntos sem precisar confiar uns nos outros.
Reputação auditável em blockchain para Federated Learning — para que um
participante mal-intencionado seja identificado, penalizado e removido, com o
histórico registrado de forma que ninguém possa reescrever.
O problema
Hospitais têm dados de pacientes. Bancos têm dados de fraude. Nenhum dos dois
pode entregar esses dados para ninguém — e os dois ganhariam muito com um modelo
treinado sobre o conjunto.
Federated Learning resolve metade disso: cada instituição treina localmente e
envia só os parâmetros do modelo, nunca os dados. O dado sensível nunca sai de
casa.
A outra metade continua aberta. O servidor que junta essas contribuições não
tem como saber se elas são honestas. Um participante pode enviar parâmetros
corrompidos e degradar o modelo de todo mundo — ou pior, inserir um
comportamento específico que só ele sabe acionar. E como as contribuições
individuais não deixam rastro auditável, ninguém consegue provar depois quem fez
o quê.
É o problema de sempre da colaboração entre desconhecidos: alguém precisa
pagar a conta de confiar primeiro.
O que o AwakeFL faz
O AwakeFL não é uma plataforma de Federated Learning — é uma camada sobre a que
você já tem. Ele não treina, não distribui rodadas e não substitui o seu
agregador. Ele se encaixa no único momento em que o servidor tem todas as
atualizações na mão ao mesmo tempo, porque é só aí que dá para comparar umas com
as outras.
A partir desse ponto: cada contribuição vira um registro público e permanente,
cada participante carrega uma reputação que sobe quando ele colabora e desce
quando ele destoa, e quem cai abaixo do limiar é banido — o banimento é
definitivo, porque está gravado onde ninguém apaga.
Participante treina localmente ┐
↓ │ a federação que você já tem
Agregador recebe as atualizações ┘ (Flower, FLARE, o seu servidor)
↓
─────────────────────────────────────────── daqui para baixo é o AwakeFL
↓
Registra o compromisso na blockchain ← hash dos pesos, imutável
↓
Mede a consistência ← contra o consenso da rodada
↓
A reputação é atualizada ← R(t) = 0,5·R(t-1) + 0,5·S(t)
↓
Abaixo do limiar → banimento permanente
Três coisas que fazem diferença no desenho:
A nota não é digitada por ninguém. Ela é calculada comparando a direção da
contribuição com o consenso dos demais participantes daquela rodada. O
validador assina o que a lógica produziu — não escolhe o número.
A justificativa vai junto. Não fica só "score 340". Fica "veto de norma:
update 2,67× a mediana do grupo — o crédito de direção foi zerado". Um número
sozinho não é auditável; a razão é.
A autoridade não pode banir quem o histórico não condena. O programa recusa a
penalização se a reputação registrada ainda estiver acima do limiar. Isso não
elimina a necessidade de um coordenador — mas o prende ao registro público.
Funciona?
Testado em 10 sementes independentes, com 10 participantes e 12 rodadas, sobre
MNIST com distribuição não-IID:
| Cenário | Acurácia final |
|---|
| A — sem atacante | 98,23% ± 0,33 |
| B — com atacante, sem defesa | 69,13% ± 26,78 |
| C — com atacante, defesa ligada | 98,02% ± 0,35 |
Precisão e recall da detecção: 1,00 ± 0,00. Nenhum honesto banido por engano,
nenhum atacante escapou. Banimentos entre as rodadas 6 e 7.
O número mais interessante não é a média — é o desvio de 26,78 no cenário B. O
ataque não apenas derruba a acurácia: torna o resultado imprevisível. A
defesa devolve previsibilidade, e é isso que permite alguém depender do modelo
para alguma coisa.
O que dá para ver hoje
→ awake-fl.vercel.app
Comece pela simulação: cinco
instituições treinando juntas ao longo de 11 rodadas, com o Instituto Delta
construindo reputação por oito rodadas antes de tentar envenenar o modelo na
décima. Dá para avançar rodada a rodada e ver a reputação dele cair de 935 para
30 na detecção, seguida do banimento permanente. Não precisa de carteira, e as
regras são as mesmas do programa Anchor — mesma média móvel, mesma divisão por
10.
A área do participante roda na Devnet
de verdade e pede carteira Phantom ou Solflare:
| Tela | O que faz |
|---|
| Visão geral | reputação, rodada corrente, estado do seu nó |
| Nova contribuição | envia o arquivo de pesos e registra o compromisso na chain |
| Extrato | histórico completo das suas contribuições e assinaturas |
| Regras | as regras de consenso e penalidade, em português |
| Validador | fecha a rodada e assina os scores calculados |
O SOL usado é de Devnet: não tem valor, e todas as contas são públicas. Peça o
seu no faucet oficial — cada conta criada paga
aluguel na rede.
Para rodar o site localmente ou mexer no código, veja
rodando o site na visão técnica.
Por que Solana
A ideia de juntar blockchain com Federated Learning não é nova, e a crítica
recorrente na literatura é o custo: registrar cada contribuição de cada rodada em
redes onde um bloco leva mais de dez segundos torna o esquema caro e lento.
Solana muda essa conta. A escolha aqui é por custo e latência de transação, não
por preferência de ecossistema.
Medido na Devnet em 2026-08-27, lendo as contas e as transações reais do
programa publicado:
| lamports | |
|---|
| Aluguel de uma contribuição | 1.879.200 | conta de 142 bytes |
| Taxa de uma transação | 80.000 | 5.000 de base + prioridade da carteira |
| Uma rodada com 10 participantes | 20.472.000 | ≈ 0,0205 SOL |
O resultado mais interessante não é o total: é a proporção. O aluguel domina a
taxa em 23,5×. O gargalo econômico deste desenho não é a taxa de transação —
é o espaço de conta. E como não existe instrução que remova uma contribuição,
esse aluguel fica travado enquanto o registro existir, que é exatamente o que o
projeto promete.
A latência continua não medida. Custo e latência são coisas diferentes, e
só a primeira tem número. Cronometrar a confirmação é o próximo passo.
Status do projeto
Isto é um MVP de pesquisa em desenvolvimento ativo — não é um produto pronto
para produção.
O projeto nasceu como exploração técnica durante o curso Bloco 4 e está sendo formalizado como
Iniciação Científica, com a intenção de crescer até virar Trabalho de
Conclusão de Curso. O que existe hoje é uma prova de conceito completa de ponta
a ponta: a simulação de Federated Learning, o programa on-chain publicado na
Devnet e a interface que executa o ciclo inteiro.
E não ficou no desenho: o ciclo completo já roda na Devnet. Participantes
registrados, contribuições submetidas, validadas e a federação avançando de
rodada — tudo assinado por carteira, sem transação com erro. As reputações
saíram dos 500 iniciais e se movem a cada validação.
O estado ao vivo, lido direto das contas do programa, fica em
awake-fl.vercel.app/devnet — qualquer
pessoa audita sem pedir acesso, que é o ponto do projeto.
O que ainda não existe, e está declarado de propósito:
- O cálculo da nota acontece fora da blockchain. A cadeia registra e audita,
mas não recalcula. Quem confia no número, confia em quem o calculou. Fechar
isso exige prova de conhecimento zero ou um comitê de validadores.
- Há uma autoridade única. Comitê, quórum e prazo de contestação estão
desenhados e não implementados.
- Nada foi testado fora do MNIST, nem com participação parcial por rodada.
- Resistência a Sybil é parcial. Uma identidade nova custa quase nada, então
o banimento permanente vale menos do que deveria.
- Devnet apenas. Não há deploy em mainnet e não haverá enquanto o desenho
estiver mudando.
Cada um desses pontos está registrado com o desenho experimental necessário para
respondê-lo — não como intenção vaga, mas como pergunta de pesquisa formulada.
Documentação
