基于自适应非线性函数的无人机边缘计算隐私保护方法

本发明涉及无人驾驶飞机(简称无人机，unmanned aerial vehicle，uav)以及网络与信息安全领域，尤其涉及一种基于自适应非线性函数的无人机边缘计算隐私保护方法。

背景技术：

1、无人机移动边缘计算(mobile edge computing，mec)被视为一种有前途的范例，可以处理无处不在的无人机收集的海量数据，从而在人工智能(artificialintelligence，ai)的帮助下实现智能服务。但是由于无人机边缘计算网络通常位于不可信环境中，也面临各种安全和隐私威胁。

2、联邦学习(federated learning，fl)作为一种新型的分布式机器学习框架，可以联合多个本地无人机设备在仅共享模型参数的前提下协同训练机器学习模型，能够有效避免本地无人机设备向边缘节点直接传输数据造成的隐私泄露问题。但是无人机边缘计算中应用联邦学习也会面临的安全威胁以及互信风险。

3、1)隐私泄露

4、即使训练资源存储在本地无人机设备中，联邦学习框架也会泄露训练数据的隐私。参数在传输以及存储过程中的隐私性需要进一步保护加强。近期的一些研究表明，恶意的用户可以依据联邦学习梯度参数在每一轮中的差异，通过调整其输入数据逼近真实梯度，从而推测出用户的敏感数据。还可以通过中间梯度提取重要信息。恶意中心服务器还能够通过生成对抗网络(generative adversarial networks，gan)利用敏感信息。

5、2)中毒攻击

6、恶意参与者可以上传失败的训练样本或模型来破坏机器学习的预测结果，同时恶意客户端还可以通过干预本地模型将不正确的掩码梯度上传到中心服务器来对全局模型产生不利影响，而fl缺乏审计恶意训练者的能力，如果这些虚假参数未经验证便聚合到整体模型中，会直接影响整体模型的质量，甚至会导致整个联邦学习过程失效。

7、3)单点故障及参与用户的互信问题

8、无人机的联邦学习需要一个中心服务器来聚合局部模型,如果这个中心服务器发生故障,将直接严重影响全局模型的训练。另外，由于联邦学习的参与方来自不同的组织或机构，彼此之间缺少信任。如何在缺乏互信的场景下建立安全可靠的协作机制，是实际应用中亟待解决的问题。

技术实现思路

1、本发明提供一种基于自适应非线性函数的无人机边缘计算隐私保护方法，旨在解决本地无人机节点易发生隐私泄露，边缘基站节点难以有效甄别可信本地无人机节点以及难以抵挡恶意攻击等问题。

2、本发明提供了一种基于自适应非线性函数的无人机边缘计算隐私保护方法，包括：每个无人机在加入训练后，构建基于本地模型的共享网络层的自适应参数的自适应非线性加密函数；每个无人机利用所述基于本地模型的共享网络层的自适应参数的自适应非线性加密函数，对本轮训练本地模型得到的梯度进行加密，得到加密梯度，并将所述加密梯度上传给关联的基站；每个基站对关联的每个无人机本轮上传的加密梯度进行梯度异常检测，并将关联的每个无人机的梯度异常检测结果上传至区块链；所述区块链在收到关联的基站上传的梯度异常检测结果后，根据每个无人机的梯度异常检测结果，对加密梯度进行安全聚合，得到全局梯度，以供每个无人机获取并利用所述全局梯度进行本地模型更新。

3、优选地，所述构建基于本地模型的共享网络层的自适应参数的自适应非线性加密函数包括：根据每个共享网络层的自适应参数，构建每个共享网络层对应的自适应非线性加密函数，其中，第k个共享网络层对应的自适应非线性加密函数表示为：

4、

5、其中，s是各共享网络层对应的自适应参数集合(α1,…αn)；n表示共享的总层数；αk表示第k个共享网络层的自适应参数，初始值为1，随本地模型的训练过程动态变化直至收敛。

6、优选地，通过将每个共享网络层的自适应参数作为本地模型分类损失的一部分，使每个共享网络层的自适应参数随本地模型的训练过程动态变化直至收敛。

7、优选地，所述本地模型分类损失是根据自适应参数非线性扰动损失和交叉熵损失确定的，其中，所述自适应参数非线性扰动损失通过以下步骤确定：对于每个共享网络层，根据该共享网络层及的位于该共享网络层之前的各个共享网络的自适应参数的累积值，确定该共享网络层的非线性正则项；将各个共享网络层的非线性正则项相加，得到自适应参数非线性扰动损失g，表示为：

8、

9、优选地，所述每个无人机利用所述基于本地模型的共享网络层的自适应参数的自适应非线性加密函数，对本轮训练本地模型得到的梯度进行加密，得到加密梯度包括：将本地模型中每个共享网络层对应的自适应非线性加密函数的函数值与本轮训练本地模型得到的每个共享网络层对应的梯度相加，得到每个共享网络层对应的加密梯度，其中，对第k个共享网络层对应的梯度进行加密表示为：

10、

11、优选地，所述方法还包括：每个无人机将本轮的加密梯度上传给关联的基站的同时，将数字签名上传给关联的基站；相应地，所述每个基站对关联的每个无人机本轮上传的加密梯度进行梯度异常检测，并将关联的每个无人机的梯度异常检测结果上传至区块链包括：每个基站对关联的每个无人机本轮上传的数字签名的合法性进行验证，以确认关联的每个无人机本轮上传的加密梯度正常或异常；将包含关联的每个无人机本轮上传的加密梯度正常或异常的梯度异常检测结果放入区块链的事务池中。

12、优选地，所述根据每个无人机的梯度异常检测结果，对加密梯度进行安全聚合，得到全局梯度包括：根据每个无人机的加密梯度正常或异常的梯度异常检测结果，计算每个无人机的激励值；根据每个无人机的加密梯度正常或异常的梯度异常检测结果和每个无人机的激励值，对加密梯度进行安全聚合，得到全局梯度。

13、优选地，所述根据每个无人机的加密梯度正常或异常的梯度异常检测结果，计算每个无人机的激励值包括：为加密梯度正常的无人机分发第一预定激励值；为加密梯度异常的无人机扣除第二预定激励值；根据为加密梯度正常的无人机分发的第一预定激励值和为加密梯度异常的无人机扣除的第二预定激励值，更新无人机激励值列表中每个无人机的激励值。

14、优选地，所述根据每个无人机的加密梯度正常或异常的梯度异常检测结果和每个无人机的激励值，对加密梯度进行安全聚合，得到全局梯度包括：根据所述无人机激励值列表中每个加密梯度正常的无人机的激励值，从作为所述区块链的矿工的所有基站中选择具有出块权的基站；具有出块权的基站从所述区块链的事务池中获取所有正常的加密梯度，并对所有正常的加密梯度进行安全聚合，得到全局梯度。

15、优选地，所述每个无人机获取并利用所述全局梯度进行本地模型更新包括：具有出块权的基站生成包含所述全局梯度的新区块，并广播所述包含所述全局梯度的新区块，以同步全网账本；每个无人机从关联的基站下载包含所述全局梯度的新区块，以利用新区块中的所述全局梯度更新本地模型。

16、本发明通过采用基于本地模型的共享网络层的自适应参数的自适应非线性加密函数对无人机本轮训练本地模型得到的梯度进行加密，能够有效应对无人机发生隐私泄露问题，另外，通过基站对关联的每个无人机本轮上传的加密梯度进行梯度异常检测，能够有效甄别可信本地节点以及抵挡恶意攻击，此外，通过采用区块链替代联邦学习的中心服务器，解决了联邦学习的单点故障以及参与方之间缺少信任的问题。