-
题名车联网环境下面向异构数据的隐私保护联邦学习
- 1
-
-
作者
张宇
咸鹤群
-
机构
密码与网络空间安全(黄埔)研究院
青岛大学计算机科学技术学院
-
出处
《密码学报(中英文)》
北大核心
2025年第3期545-564,共20页
-
基金
国家自然科学基金(62102212)
山东省自然科学基金(ZR2021QF030)。
-
文摘
随着车联网和智能制造领域相关技术的快速发展,车联网与人工智能的结合成为现代智慧交通发展的新方向.本文提出了一个车联网环境下信息共享的隐私保护联邦学习框架.该框架旨在解决车联网环境中客户端训练条件不一致、客户端数据漂移和模型数据隐私泄露的问题.智能车辆的移动和分布式特性使得联邦学习面临着不同的挑战.在此框架中,引入性能增强的异构数据联邦学习算法.通过重写算法的训练优化步骤,并提出联邦学习广义更新规则,使得参数聚合过程可以考虑更多的因素.这本质上是一种归一化的平均方法,同时可以保证异构场景下更快的误差收敛.为了防止诚实且好奇的服务器和外部敌手从传输的参数中推断出隐私信息,现有方案使用差分隐私机制将噪声添加到本地参数以进行保护.然而,噪声会破坏学习过程并降低训练模型的效果.为此,本文提出了一种性能增强的差分隐私算法.该算法通过在本地优化目标函数中加入相应正则项,提高了训练模型对注入噪声的鲁棒性,降低了车联网设备在训练时受到的噪声影响,并给出了总的隐私预算统计.在合成数据集和真实世界的异构数据集上对框架的性能进行了评估.结果表明,框架表现优于现有的异构数据优化算法,且在相同的隐私保护水平下表现优于现有的基于差分隐私的联邦学习算法,更适用于车联网环境.
-
关键词
车联网
联邦学习
非独立同分布数据
差分隐私
效用隐私平衡
-
Keywords
Internet of Vehicles
federated learning
non-IID
differential privacy
utility-privacy tradeoff
-
分类号
TP309.7
[自动化与计算机技术—计算机系统结构]
-
-
题名基于率失真的差分隐私效用优化模型
- 2
-
-
作者
吴宁博
彭长根
田有亮
牛坤
丁红发
-
机构
贵州大学计算机科学与技术学院公共大数据国家重点实验室
贵州大学密码学与数据安全研究所
贵州财经大学信息学院
-
出处
《计算机学报》
EI
CSCD
北大核心
2020年第8期1463-1478,共16页
-
基金
国家自然科学基金(U1836205,61662009,61772008)
“十三五”国家密码发展基金(MMJJ20170129)
+4 种基金
贵州省科技计划项目(黔科合重大专项字[2018]3001、[2018]3007、[2017]3002)
黔科合平台人才([2020]5017)
黔科合基础([2017]1045)
贵州省高等学校创新人才团队(黔教合人才团队([2013]09))
贵州省研究生科研基金立项课题(KYJJ2017005)资助。
-
文摘
隐私保护与数据效用矛盾问题的解决方案是隐私保护领域中的一个研究热点.针对差分隐私离线数据发布场景中的隐私与效用平衡问题,利用率失真理论研究了平衡隐私与数据效用的最优化差分隐私机制.首先,基于Shannon通信理论抽象差分隐私的噪声信道模型,以互信息量与失真函数度量数据发布的隐私与效用,构建基于率失真理论的最优化模型.其次,考虑关联辅助背景知识对互信息隐私泄露的影响,提出基于联合事件的互信息隐私度量,并进一步修改率失真函数提出最小化隐私泄露模型.最后,针对Lagrange求解过程中计算困难性问题,基于Blahut-Arimoto交替最小化算法提出了互信息隐私最优化信道机制的近似求解算法.通过实验仿真,验证了所提出的迭代近似计算方法的有效性.同时,实验结果表明所提出的方法比对称离散信道机制在限失真条件下互信息隐私泄露量平均降低了21.7%,在相同的隐私容忍度条件下,数据效用提升了38.3%.
-
关键词
率失真函数
隐私与效用平衡
差分隐私
互信息隐私泄露
数据效用优化
-
Keywords
rate-distortion function
privacy-utility tradeoff
differential privacy
mutual information privacy leakage
data utility optimization
-
分类号
TP309
[自动化与计算机技术—计算机系统结构]
-
