PadLock: Certificação do Desaprendizado de Máquinas para IaaS via Blockchain Layer 2

• Milena Curtinhas Santos UFES
• João Paulo de Brito Gonçalves IFES
• Arthur A. Viana UFF
• Antonio A. de A. Rocha UFF
• Rodolfo da Silva Villaça UFES

DOI: https://doi.org/10.5753/wblockchain.2026.24075

Resumo

O direito ao esquecimento, estabelecido pelo GDPR e pela LGPD, obriga provedores de serviços de inferência em nuvem a remover a influência de dados pessoais sobre modelos já treinados. Embora o machine unlearning ofereça métodos para isso, persiste a ausência de certificação verificável e independente dessas remoções. Este trabalho apresenta o PadLock, uma arquitetura que hospeda o classificador em uma máquina virtual Cartesi (Layer 2), processa remoções via DynFRS e registra o hash criptográfico do modelo resultante na blockchain (Layer 1), compondo uma cadeia auditável de versões. Avaliações em múltiplos datasets demonstram estabilidade de desempenho e viabilidade operacional da certificação proposta.

Referências

Augusto, A. J. et al. (2018). Cartesi: Scalable smart contracts through a risc-v microarchitecture and the linux operating system. Technical report, Cartesi Foundation.

Bourtoule, L., Chandrasekaran, V., Choquette-Choo, C. A., Jia, H., Travers, A., Zhang, B., Lie, D., and Papernot, N. (2021). Machine unlearning. In 2021 IEEE Symposium on Security and Privacy (SP), pages 141–159.

Cao, Y. and Yang, J. (2015). Towards making systems forget with machine unlearning. In IEEE Symposium on Security and Privacy (S&P), pages 463–480. IEEE.

Cota, D. O. C., de Jesus, D. C. S., and Rocha, A. A. d. A. (2024). Desaprendizado de máquinas e a lgpd: da privacidade ao direito ao esquecimento. In Livro-texto de Minicursos – 42º Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos (SBRC 2024). Sociedade Brasileira de Computação.

Dang, Q.-V. (2021). Right to be forgotten in the age of machine learning. In Antipova, T., editor, Advances in Digital Science, pages 403–411, Cham. Springer International Publishing.

Jin, R., Chen, M., Zhang, Q., and Li, X. (2024). Forgettable federated linear learning with certified data unlearning. arXiv preprint arXiv:2306.02216.

Lin, Y., Gao, Z., Du, H., Ren, J., Xie, Z., and Niyato, D. (2024). Blockchain-enabled trustworthy federated unlearning. arXiv preprint arXiv:2401.15917.

Liu, W. et al. (2025). Blockful: Enabling unlearning in blockchained federated learning. arXiv preprint arXiv:2402.16294.

Nguyen, T. T., Huynh, T. T., Ren, Z., Nguyen, P. L., Liew, A. W.-C., Yin, H., and Nguyen, Q. V. H. (2025). A survey of machine unlearning. ACM Trans. Intell. Syst. Technol., 16(5).

Presidência da República (2018). Lei geral de proteção de dados pessoais (lgpd). [link]. Acesso em: 24 jun. 2025.

Santos, M., Gonçalves, J., Rocha, A., and Villaça, R. (2025). Esquecer é preciso: Um estudo sobre o impacto da remoção de dados no desaprendizado de máquinas. In Anais da X Escola Regional de Informática do Espírito Santo, pages 11–20, Porto Alegre, RS, Brasil. SBC.

União Europeia (2016). Regulamento geral sobre a proteção de dados - rgpd). [link]. Acesso em: 21 jun. 2024.

Wang, S., Shen, Z., Qiao, X., Zhang, T., and Zhang, M. (2025). Dynfrs: An efficient framework for machine unlearning in random forest. arXiv preprint arXiv:2410.01588.

Xue, L., Hu, S., Lu, W., Shen, Y., Li, D., Guo, P., Zhou, Z., Li, M., Zhang, Y., and Zhang, L. Y. (2025). Towards reliable forgetting: A survey on machine unlearning verification. arXiv preprint arXiv:2506.15115.

Zhang, B., Chen, Z., Shen, C., and Li, J. (2024). Verification of machine unlearning is fragile. arXiv preprint arXiv:2408.00929.

Zhu, T. et al. (2024). Federated learning with blockchain-enhanced machine unlearning: A trustworthy approach. arXiv preprint arXiv:2405.20776.