-
题名结合联邦学习和增强学习的车联网数据差分隐私保护
被引量：1
- 1
-
-
作者
邬忠萍
郝宗波
王文静
刘冬
-
机构
成都工业学院
电子科技大学
太原师范学院
成都市笛卡科技有限公司
-
出处
《汽车技术》
CSCD
北大核心
2023年第11期56-62,共7页
-
基金
国家自然科学基金项目(61003032)
山西省教改项目(J20220943)。
-
文摘
为保证车联网环境下用户数据的安全性和隐私性,提出了结合联邦学习和增强学习的分布式数据差分隐私保护方案。利用联邦学习架构将数据保留在车辆节点或边缘设备上进行学习,通过分布式存储实现数据隐私保护,并减少数据传输开销;基于拉普拉斯机制实现差分隐私,并通过逐层相关传播(LRP)技术管理数据扰动,确保模型参数传递的隐私性和高效率。试验结果表明,所提出的方案在10轮通信内实现了约80%的全局准确度,最高可达98%,能够在消耗较少通信轮数的情况下完成模型聚合,实现了隐私保护和全局数据准确度的较好平衡,且通过增强学习策略准确检测到虚假噪声的注入,能够提升车联网的智能化水平和安全等级。
-
关键词
车联网
联邦学习
增强学习
差分隐私
拉普拉斯机制
逐层相关传播
-
Keywords
Internet of vehicle
Federated learning
Reinforced learning
Differential privacy
Laplace mechanism
Layer-wise relevance propagation
-
分类号
U461
[机械工程—车辆工程]
TP391
[自动化与计算机技术—计算机应用技术]
-
