1.一种边缘计算架构下的差分私有多源无线信号指纹融合室内定位方法,其特征在于,
假设和用户关联的边缘设备拥有大量从室内区域的不同热点,即accesspoint,ap,收集到的大量wi-fi和蓝牙ble接收信息强度,即receivedsignalstrength,rss数据,包含带标记和未带标记的样本,并且为了能够获取期望的室内定位服务,都愿意给室内定位模型提供数据进行训练;
假设边缘服务器是不可信的,所有未经隐私保护处理的rss数据都将被暴露给边缘服务器,恶意攻击者会通过俘获边缘服务器,获取到用户的私人数据集,造成用户的隐私泄露。要避免将未经隐私保护处理的数据集直接暴露给边缘服务器;
假设云服务器是不可信的,它会接收由边缘服务器发送过来的所有处理后的数据集,通过分析数据集以及模型训练参数来推理出用户的敏感信息,因此,要避免将未经隐私保护处理的训练参数以及数据集直接暴露给云服务器;具体包括下列步骤:
步骤a:边缘设备在将自己拥有的rss数据发送给半可信边缘节点之前,先将原始的rss数据切分为有标记的数据和无标记的数据,并将适当可控的拉普拉斯噪声添加到有标记的样本数据中,对数据进行模糊化处理,处理完后再将扰动后的rss数据随机发送到附近的边缘节点进行wifi和ble的rss数据聚合操作;
步骤b:边缘节点接收到来自边缘设备的数据后,先将相同位置收集到的wifi和ble的rss数据进行聚合,并对其进行统一标定后发送给边缘服务器;
步骤c:边缘服务器将接收到的噪声标记样本和未标记样本整合在一起,并利用图拉普拉斯流行约束对wifi和ble的rss数据进行特征融合,因为边缘服务器是不可信的,为了保证融合过程中数据隐私安全性,边缘服务器需要向wifi和ble的rss数据特征融合过程添加可控拉普拉斯噪声,并将所有经过差分隐私保护处理后的数据集发送到云服务器;
步骤d:云服务器首先从边缘服务器接收经过差分私有扰动且融合后的rss数据集,并利用云服务器强大的学习能力,拟合学习参数,进行满足ε-差分隐私的室内定位机器学习模型训练,并生成安全可信的室内定位模型。
2.根据权利要求1所述的边缘计算架构下的差分私有多源无线信号指纹融合室内定位方法,其特征在于:
步骤a详细过程如下:
将从用户的边缘设备收集来的rss训练样本xn切分为两部分:有标记的样本xl和无标记的样本xu,对rss数据中的有标记样本xl添加样本自适应的可控随机噪声n0/n×laplace(δf/ε1),用来模糊xl与其真实标签向量t的关联,进而降低边缘节点与rss信息敏感记录的耦合度,这样,就得到了经过差分私有隐私保护处理的有标记样本x′l,x′l可表示为:
x′l=xl+n0/n×laplace(δf/ε1)
其中,n0表示有标记样本的数量,n表示训练样本总数,n0/n表示训练样本的标定比例,将x′l、xu和t组合在一起就能得到隐私保护处理后的训练集[t;[x′l,xu]];ε1是全局隐私保护预算ε的一个子预算,这一处理阶段可提供(ε1=ε/4)-差分隐私保护;δf计算如下:
x′l=reshape(x′l,wtdth,height)
δf=|max(min(mean(x′l,axis=1))-min(mean(x′l,axis=1))|
其中reshape(,)表示在不改变列表内容的情况下对列表进行重新排列。reshape(x′l,width,height)表示将一维的数组x′l转换为一个wtdht*height的二维数组;max(·)表示求元素中的最大值、min(·)表示求元素中的最小值、mean(·)表示求元素的均值,当axis=1,表示对二维列表中的每行元素求均值。
3.根据权利要求1所述的边缘计算架构下的差分私有多源无线信号指纹融合室内定位方法,其特征在于:
步骤c详细过程如下:
边缘服务器接受来自n个不同边缘节点上传的聚合后的rss数据,为了针对l个有标记的样本和u个未标记的样本构建一个差分私有的半标记高维特征无向图g,分别向图拉普拉斯算子l1和l2添加噪声laplace(δf/ε2)和laplace(δf/ε3)进行wi-fi和ble的rss数据的特征融合(ε2=ε3)。因此,图拉普拉斯流形约束特征融合的目标函数可表示为:
其中,h表示隐层节点的输出矩阵,其维数大小为(l+u)×n~,可以看出在该模型中,所有的标记样本和未标记样本都被考虑在内。其次,
在模型中,位置坐标向量t的维度被扩展至l+u,其中l个元素来自于用户标定的真实位置,其余的u个元素则全部设置为0。
通过对该室内定位模型的优化,可以得到如下的可微凸优化目标函数:
其中,β可被推导为
通过调整两个流形约束项的权重系数λ1和λ2,本发明方法可以控制wi-fi和ble信号对模型的相对影响。这个阶段的操作旨在通过添加可控随机噪声来保证wi-fi和ble信号向量特征的融合安全。这一处理阶段可以提供(ε/2)-差分隐私保护。
4.根据权利要求1所述的边缘计算架构下的差分私有多源无线信号指纹融合室内定位方法,其特征在于:
步骤d详细过程如下:
云服务器上将融合半监督极限学习机网络的激活函数看作一个对rss操作的特殊查询函数,向其添加可控随机噪声laplace(δf/ε4)来满足差分隐私保护,得到差分私有的激活函数g′:
g′(ak,bk,xt)=g(ak·xt+bk+laplace(δf/ε4))
g′(ak,bk,xi)代替g(ak,bk,xi)作为本发明方法的定位模型隐层节点的输出来对最终上传的数据进行混淆,防止云服务器获取用户隐私信息,并为云端定位模型的训练提供支持。这一处理阶段可以提供(ε/4)-差分隐私保护;最后,将这些模型训练所需参数和经过差分私有扰动处理后的数据集输入到本发明方法的定位模型网络,在满足差分隐私的标准下进行机器学习模型训练,因此,网络输出的学习参数及定位模型满足