面向车联网数据隐私保护的高效分布式模型共享策略

doi:10.11959/j.issn.1000-436x.2022074

通信学报 ›› 2022, Vol. 43 ›› Issue (4): 83-94.doi: 10.11959/j.issn.1000-436x.2022074

面向车联网数据隐私保护的高效分布式模型共享策略

莫梓嘉, 高志鹏, 杨杨, 林怡静, 孙山, 赵晨

北京邮电大学网络与交换技术国家重点实验室，北京 100876

修回日期:2022-03-17 出版日期:2022-04-25 发布日期:2022-04-01
作者简介:莫梓嘉（1996- ），女，河北保定人，北京邮电大学博士生，主要研究方向为边缘智能、模型轻量化等
高志鹏（1980- ），男，山东滨州人，博士，北京邮电大学教授、博士生导师，主要研究方向为云计算、网络服务与管理、边缘计算等
杨杨（1981- ），女，山东淄博人，博士，北京邮电大学副教授、博士生导师，主要研究方向为数据挖掘、人工智能等
林怡静（1997– ），女，福建莆田人，北京邮电大学博士生，主要研究方向为边缘计算、区块链等
孙山（1998– ），男，山东济宁人，北京邮电大学硕士生，主要研究方向为边缘智能、云边协同等
赵晨（1992– ），男，河南南阳人，北京邮电大学博士生，主要研究方向为边缘计算、联邦学习等
基金资助:
国家自然科学基金资助项目(62072049)

Efficient distributed model sharing strategy for data privacy protection in Internet of vehicles

Zijia MO, Zhipeng GAO, Yang YANG, Yijing LIN, Shan SUN, Chen ZHAO

State Key Laboratory of Networking and Switching Technology, Beijing University of Posts and Telecommunications, Beijing 100876, China

Revised:2022-03-17 Online:2022-04-25 Published:2022-04-01
Supported by:
The National Natural Science Foundation of China(62072049)

摘要/Abstract

摘要：

针对车联网隐私数据共享面临的效率问题，提出了基于区块链的高效分布式模型共享策略。针对车联网场景下多实体、多角色的数据共享需求，通过在车辆、路边单元和基站之间构建主从链架构，实现了分布式模型安全共享；提出了基于激励机制的异步联邦学习算法，以激励车辆及路边单元参与优化过程；构造了混合 PBFT的改进DPoS共识算法来降低通信成本、提高共识效率。实验分析表明，所提机制能够提高数据共享效率，并具有一定的可扩展性。

关键词: 区块链, 车联网, 联邦学习, 边缘计算

Abstract:

Aiming at the efficiency problem of privacy data sharing in the Internet of vehicles (IoV), an efficient distributed model sharing strategy based on blockchain was proposed.In response to the data sharing requirements among multiple entities and roles in the IoV, a master-slave chain architecture was built between vehicles, roadside units, and base stations to achieve secure sharing of distributed models.An asynchronous federated learning algorithm based on motivate mechanism was proposed to encourage vehicles and roadside units to participate in the optimization process.An improved DPoS consensus algorithm with hybrid PBFT was constructed to reduce communication costs and improve consensus efficiency.Experimental analysis shows that the proposed mechanism can improve the efficiency of data sharing and has certain scalability.

Key words: blockchain, IoV, federated learning, edge computing

中图分类号:

TP393

莫梓嘉, 高志鹏, 杨杨, 林怡静, 孙山, 赵晨. 面向车联网数据隐私保护的高效分布式模型共享策略[J]. 通信学报, 2022, 43(4): 83-94.

Zijia MO, Zhipeng GAO, Yang YANG, Yijing LIN, Shan SUN, Chen ZHAO. Efficient distributed model sharing strategy for data privacy protection in Internet of vehicles[J]. Journal on Communications, 2022, 43(4): 83-94.

图/表 13

表1

图1

表2

系统参数"

参数	含义
$v_{j}^{i}$	第j个路边单元范围内的第i个车辆
$r_{n}^{j}$	第n个基站范围内的第j个路边单元
$b_{n}$	主链中的第n个基站
$T_{v_{j}^{i}}^{cmp}$	车辆 $v_{j}^{i}$ 的本地计算时间
$w_{j}^{i} (t)$	第t次全局迭代中车辆 $v_{j}^{i}$ 训练后模型参数
F (w(t))	在主链层全局聚合的损失函数
${rate}_{v_{j}^{n}}$	车辆 $v_{j}^{i}$ 的通信传输速率
$T_{v_{j}^{i}}^{com}$	车辆 $v_{j}^{i}$ 的模型参数传输时间
T ^total	单次迭代中系统总体运行时间

表2

图2

图3

图4

图5

表3

图6

图7

图8

图9

图10

参考文献 18

[1]	YANG F C , WANG S G , LI J L ,et al. An overview of Internet of vehicles[J]. China Communications, 2014,11(10): 1-15.
[2]	CONTRERAS-CASTILLO J , ZEADALLY S , GUERRERO-IBA?EZ J A , . Internet of vehicles:architecture,protocols,and security[J]. IEEE Internet of Things Journal, 2018,5(5): 3701-3709.
[3]	BILOGREVIC I , JADLIWALA M , KALKAN K ,et al. Privacy in mobile computing for location-sharing-based services[C]// International Symposium on Privacy Enhancing Technologies Symposium. Berlin:Springer, 2011: 77-96.
[4]	LIANG X H , LI X , LUAN T H ,et al. Morality-driven data forwarding with privacy preservation in mobile social networks[J]. IEEE Transactions on Vehicular Technology, 2012,61(7): 3209-3222.
[5]	YING B D , MAKRAKIS D , HOU Z Z . Motivation for protecting selfish vehicles’ location privacy in vehicular networks[J]. IEEE Transactions on Vehicular Technology, 2015,64(12): 5631-5641.
[6]	WANG X F , HAN Y W , WANG C Y ,et al. In-edge AI:intelligentizing mobile edge computing,caching and communication by federated learning[J]. IEEE Network, 2019,33(5): 156-165.
[7]	MCMAHAN H B , MOORE E , RAMAGE D ,et al. Communication-efficient learning of deep networks from decentralized data[J]. arXiv Preprint,arXiv:1602.05629, 2016.
[8]	DAI H N , ZHENG Z B , ZHANG Y . Blockchain for Internet of things:a survey[J]. IEEE Internet of Things Journal, 2019,6(5): 8076-8094.
[9]	CHEN M , TIAN Y W , FORTINO G ,et al. Cognitive Internet of vehicles[J]. Computer Communications, 2018,120: 58-70.
[10]	ELBIR A M , SONER B , COLERI S . Federated learning in vehicular networks[J]. arXiv Preprint,arXiv:2006.01412, 2020.
[11]	ZHAO Y , ZHAO J , YANG M M ,et al. Local differential privacy-based federated learning for Internet of things[J]. IEEE Internet of Things Journal, 2021,8(11): 8836-8853.
[12]	CHEN Y , SUN X Y , JIN Y C . Communication-efficient federated deep learning with layerwise asynchronous model update and temporally weighted aggregation[J]. IEEE Transactions on Neural Networks and Learning Systems, 2020,31(10): 4229-4238.
[13]	LU Y L , HUANG X H , ZHANG K ,et al. Blockchain empowered asynchronous federated learning for secure data sharing in Internet of vehicles[J]. IEEE Transactions on Vehicular Technology, 2020,69(4): 4298-4311.
[14]	CHAI H Y , LENG S P , CHEN Y J ,et al. A hierarchical blockchain-enabled federated learning algorithm for knowledge sharing in Internet of vehicles[J]. IEEE Transactions on Intelligent Transportation Systems, 2021,22(7): 3975-3986.
[15]	POKHREL S R , CHOI J . Federated learning with blockchain for autonomous vehicles:analysis and design challenges[J]. IEEE Transactions on Communications, 2020,68(8): 4734-4746.
[16]	DENG L . The MNIST database of handwritten digit images for machine learning research[best of the web][J]. IEEE Signal Processing Magazine, 2012,29(6): 141-142.
[17]	LECUN Y , BOTTOU L , BENGIO Y ,et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998,86(11): 2278-2324.
[18]	NETZER Y , WANG T , COATES A ,et al. Reading digits in natural images with unsupervised feature learning[C]// NIPS Workshop on Deep Learning and Unsupervised Feature Learning.[S.l.:s.n.], 2011: 1-9.

方案	设计	优点	缺点
文献[8]	数据持有者各自在本地训练模型，基于中央服务器聚合用户训练参数更新全局模型，迭代更新	降低了数据泄露风险	对数据隐私保护力度较弱
文献[11]	将联邦学习与本地差分隐私相结合，为联邦学习本地输出梯度增加噪声扰动，并用两位编码降低通信成本	提高了数据共享过程中的安全性，同时降低了通信成本	存在单点故障问题
文献[12]	将神经网络分为浅层和深层，深层网络参数的更新频率低于浅层，引入时间加权聚合策略，提高中心模型的准确性和收敛性	提升了通信效率和收敛速度	存在单点故障问题
文献[13]	利用许可区块链和本地有向无环图组成的混合区块链架构以提高模型参数的安全性和可靠性	降低了数据泄露风险，同时避免了单点故障问题	忽略了参与训练的车辆用户存在懈怠问题，共享效率低
文献[14]	采用分层区块链和分层联邦学习框架，车辆和路旁单元通过维护专属区块链账本记录联邦学习模型	增强了数据共享过程中的安全性，并在一定程度上给予参与方激励	忽略了联邦学习参数共享造成的通信成本
文献[15]	依靠更新奖励方法，设计了一个包含区块链参数的数学框架，通过对端到端时延的严格分析量化来推导出最佳块到达率，从而最小化系统时延	提高了通信效率，压缩了系统运行时间	忽略了联邦学习同步聚合导致的时延问题

数据集	FedAVG		ASTW-FedAVG		AFL-MSC
数据集	通信轮数	准确率	通信轮数	准确率	通信轮数	准确率
1@MNIST1@MNIST	75	97.2%	61	97.7%	31	97.9%
2@MNIST2@MNIST	85	97.2%	70	98.1%	32	98.5%
3@MNIST3@MNIST	73	97.3%	70	97.9%	31	98.7%
1@SVHN1@SVHN	126	92.3%	98	94.6%	66	94.0%
2@SVHN2@SVHN	156	90.2%	107	94.1%	81	95.1%
3@SVHN3@SVHN	137	92.6%	105	93.1%	75	93.6%

面向车联网数据隐私保护的高效分布式模型共享策略

Efficient distributed model sharing strategy for data privacy protection in Internet of vehicles

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 18

相关文章 15

Metrics

推荐阅读 0

[1]	张海波, 兰凯, 陈舟, 王汝言, 邹灿, 王明月. 车联网中基于环的匿名高效批量认证与组密钥协商协议[J]. 通信学报, 2023, 44(6): 103-116.
[2]	马鑫迪, 李清华, 姜奇, 马卓, 高胜, 田有亮, 马建峰. 面向Non-IID数据的拜占庭鲁棒联邦学习[J]. 通信学报, 2023, 44(6): 138-153.
[3]	金彪, 李逸康, 姚志强, 陈瑜霖, 熊金波. GenFedRL：面向深度强化学习智能体的通用联邦强化学习框架[J]. 通信学报, 2023, 44(6): 183-197.
[4]	李开菊, 许强, 王豪. 冗余数据去除的联邦学习高效通信方法[J]. 通信学报, 2023, 44(5): 79-93.
[5]	余晟兴, 陈泽凯, 陈钟, 刘西蒙. DAGUARD：联邦学习下的分布式后门攻击防御方案[J]. 通信学报, 2023, 44(5): 110-122.
[6]	姜慧, 何天流, 刘敏, 孙胜, 王煜炜. 面向异构流式数据的高性能联邦持续学习算法[J]. 通信学报, 2023, 44(5): 123-136.
[7]	张海波, 曹钰坤, 刘开健, 王汝言. 车联网中基于区块链的分布式信任管理方案[J]. 通信学报, 2023, 44(5): 148-157.
[8]	田有亮, 吴柿红, 李沓, 王林冬, 周骅. 基于激励机制的联邦学习优化算法[J]. 通信学报, 2023, 44(5): 169-180.
[9]	张佳乐, 朱诚诚, 孙小兵, 陈兵. 基于GAN的联邦学习成员推理攻击与防御方法[J]. 通信学报, 2023, 44(5): 193-205.
[10]	刘雪娇, 钟强, 夏莹杰. 基于双层分片区块链的车联网跨信任域高效认证方案[J]. 通信学报, 2023, 44(5): 213-223.
[11]	冯涛, 陈李秋, 方君丽, 石建明. 基于本地化差分隐私和属性基可搜索加密的区块链数据共享方案[J]. 通信学报, 2023, 44(5): 224-233.
[12]	鲁蔚锋, 李宁, 徐佳, 徐力杰, 徐建. 多接入边缘计算中相关性任务的联合调度算法[J]. 通信学报, 2023, 44(4): 87-98.
[13]	夏莹杰, 朱思雨, 刘雪娇. 区块链架构下具有条件隐私的车辆编队跨信任域高效群组认证研究[J]. 通信学报, 2023, 44(4): 111-123.
[14]	苏新, 张桂福, 行鸿彦, Zenghui Wang. 基于平衡生成对抗网络的海洋气象传感网入侵检测研究[J]. 通信学报, 2023, 44(4): 124-136.
[15]	谢人超, 文雯, 唐琴琴, 刘云龙, 谢高畅, 黄韬. 轨道交通移动边缘计算网络安全综述[J]. 通信学报, 2023, 44(4): 201-215.