-
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]
-
