一种面向车联网的分层异步联邦学习隐私保护方法

本发明涉及车联网数据共享及数据安全，尤其涉及一种面向车联网的分层异步联邦学习隐私保护方法。

背景技术：

1、车联网技术是指车辆上的车载设备通过无线通信技术，对信息网络平台中的所有车辆动态信息进行有效利用，在车辆运行中提供不同的功能服务。其中车联网的数据安全共享是车联网技术的核心。

2、随着人工智能的发展，联邦学习的出现给车联网数据共享和隐私保护提供了新思路，联邦学习是一种分布式机器学习框架，其主要目标是在保护用户隐私和数据安全的前提下，有效地利用分散在各个移动设备(即工作节点)上的数据进行机器学习模型的训练。具体来说，联邦学习利用移动设备本地的计算能力和数据进行模型训练，然后将每个设备训练得到的模型参数在服务器端进行聚合，并作为下一轮本地训练的初始参数。这个迭代的过程将一直进行，直到最终的模型达到最佳的泛化性能。联邦学习的优势在于它能够解决隐私和数据安全的问题，同时充分利用分布在不同设备上的数据资源，实现模型训练的合作与共享。现有的方案将联邦学习引入到了车联网数据共享中，其中按照联邦学习的聚合方式具体有分为两类：

3、同步聚合方式：在同步联邦学习中，聚合节点必须等待所有参与车辆完成本地训练，然后才能进行聚合。但是由于多个端节点之间的计算和通信资源以及数据量通常不同，导致它们在每一轮局部训练后在不同的时间提交模型参数。从而会导致全局模型收敛速度慢，总体收敛速度将会取决于收敛最慢的训练节点，不利于数据的高效传输共享。

4、异步聚合方式：异步联邦学习是指聚合节点在聚合阶段不用等待全部的参与车辆上传本地训练结果，可以允许部分节点甚至单个节点与聚合节点进行交互。极大的提高了全局模型的训练速度，但是在聚合的过程中，快节点的频繁更新将会使全局模型偏离其他模型方向收敛，同时慢节点的上传的模型参数会影响全局模型的最终收敛精度。

技术实现思路

1、本发明提出了一种面向车联网的分层异步联邦学习隐私保护方法，旨在解决车联网环境中的数据安全高效共享问题，由于车联网的不确定性，现有的联邦学习框架无法满足学习过程中的高精度、快速收敛和高容错的要求的问题。

2、一种面向车联网的分层异步联邦学习隐私保护方法，包括以下步骤：

3、步骤s1：中央聚合服务器ca初始化，生成系统参数；

4、步骤s2：对车辆进行注册；

5、步骤s3：底层联邦学习，进行车辆本地训练发送参数；

6、步骤s4：顶层联邦学习，采用加权聚合机制进行加权因子计算和中央聚合服务器ca聚合。

7、进一步，所述步骤s1初始化具体包括以下子步骤：

8、步骤s11：随机选取两个大素数p和q，选择一个生成元记为p的q阶加性循环群g；

9、步骤s12：选择一个随机数作为中央聚合服务器ca的私钥，计算pkca＝skca·p作为中央聚合服务器ca的公钥；

10、步骤s13：选择一个安全的单向散列函数h：g∈g；

11、步骤s14：中央聚合服务器ca公开系统的公共参数：{p，pkca，h}。

12、进一步，所述步骤s2注册车辆具体包括以下子步骤：

13、步骤s21：车辆vi选择私钥种子生成根私钥skroot和根链码chainroot，计算根公钥pkroot＝skroot·p，并通过安全通道将<pkroot、chainroot、idi>发送给中央聚合服务器ca进行车辆注册；

14、步骤s22：生成要用于车辆i的假名，公式为：

15、

16、其中h是散列函数，(pidvi，pkvi，idi)表示车辆的信息，

17、z∈{1，...μ}；ca将车辆信息存储到存储模块中，所述pkvi生成公式为：

18、

19、进一步，所述步骤s3具体包括以下子步骤：

20、步骤s31：车辆vi∈v进行局部训练，得到局部模型参数其中，损失函数为全局模型损失为每辆车将模型参数更新为：

21、

22、步骤s32：车辆假名生成，vi计算本次通信的计算公式为：

23、

24、步骤s33：在计算和所需的模型参数之后，车辆计算签名，计算公式为：

25、

26、步骤s34：参数发送：vi向路边单元节点rsu发送消息

27、进一步，所述步骤s4具体包括以下子步骤：

28、步骤s41：签名验证，路边单元节点rsu从车辆接收信息并使用来检索中央聚合服务器ca上对应的路边单元节点rsu使用来自中央聚合服务器ca的验证签名δ，若验证成功，则继续执行下一操作，当验证失败时，则拒绝该消息；

29、步骤s42：消除恶意车辆节点，多克鲁姆算法来实现对恶意数据的排除，设g为路边单元节点rsu下车辆上传的模型参数总量，f为拜占庭参数总量，每个参数和到最近的g-f-2参数的欧几里得距离的总和作为该模型参数的分数，计算公式为：

30、

31、步骤s43：在完成本地训练后，车辆将模型参数发送到附近的rsu，并在完成恶意数据排除后进行聚合，聚合公式为：

32、

33、其中，nt是在t轮中参与聚集的车辆数量。

34、进一步，所述步骤s4还包括：

35、路边单元节点rsu本地训练：从环境中收集信息参与联邦学习，在恶意车辆被清除之后，每个路边单元节点rsu更新其自身的模型参数方式为：

36、

37、其中是bfl聚合后的路边单元节点rsu的模型参数，dj是路边单元节点rsu采集的周围数据；路边单元节点rsu完成训练后，将模型参数上传到中央聚合服务器ca，中央聚合服务器ca执行聚合算法，完成全局模型的生成；

38、模型参数存储：假设在时间t的权值聚合为为路边单元节点rsu节点1上传的参数，同时将版本t的参数，汇总留在参数服务器中；若节点1在下一个时刻发送更新则权重汇总将更新节点1的对应位置，即在这个过程中，每个参数服务器的参数被分开存储，保存所有节点的最新权重。

39、进一步，所述步骤s4还包括：

40、加权因子计算和中央聚合服务器ca聚合：计算由不同路边单元节点rsu提供的最新版本与中央聚合器ca上记录的最新版本之间的差异；其中，时间维度的权重系数公式为：

41、t(j)＝(vlatest-vj+1)-β；

42、其中，t(j)表示表示路边单元节点rsu编号j的时维加权因子，vj表示编号为j的路边单元节点rsu最新上传的参数的版本，vlatest是中央聚合服务器ca保存的最新版本，β是超参数且β∈(0，1)；

43、中央聚合服务器ca计算从路边单元节点rsu接收的模型参数在公共测试集上的准确度基于该准确度设计质量维度的聚合加权系数，计算公式为：

44、acc(j)＝accuracy(ωj)；

45、其中，准确度accuracy(*)是测试模型在公共测试集上的准确度的计算函数，acc(j)是由rsuj上传的模型的准确度；模型权重分数s(j计算公式为：

46、s(j)＝acc(j)·t(j)；

47、归一化后为：

48、

49、本发明的有益效果：本发明提出了一种面向车联网的分层异步联邦学习隐私保护方法，结合了同步和异步方法来提高车联网环境下的机器学习性能，通过控制用户提交参数的比例来提高全局模型的精度。此外，为了提高参数的可靠性，还提供了恶意节点排除算法来提高参数的可靠性，有效地降低了恶意参数对全局模型的不利影响；并且使用了轻量级的假名，以确保参与者身份的隐私，具有学习精度高、收敛速度快的特点。