移动群体感知中保护数据隐私的盲回归建模及更新方法技术

本发明专利技术提供了一种移动群体感知系统中保护数据隐私的盲回归建模方法，通过移动感知节点与移动感知服务器间的交互，实现盲回归建模，可概括为如下步骤：选取“干净”感知数据子集、构建粗糙的全局模型、全局回归模型求精。本发明专利技术还提供了上述盲回归建模方法所建的盲回归模型的更新方法，使用新感知数据进行模型更新可概括为如下步骤：构建新粗糙全局模型、新回归模型求精。本发明专利技术方法通过在移动感知服务器与移动感知节点间交换聚集结果，来保障感知数据内容不被公开；采用增量式模型更新以减少移动感知节点的通信与计算开销。通过本发明专利技术，可达到保护感知数据隐私、削弱异常数据对回归模型的影响、提高模型准确度、实现轻量级模型更新的效果。

【技术实现步骤摘要】
移动群体感知中保护数据隐私的盲回归建模及更新方法
本专利技术涉及一种移动群体感知系统中保护感知数据隐私的盲回归建模及更新方法，特别是涉及一种通过移动感知服务器与移动感知节点间协作，在原始感知数据内容保密的前提下，识别“干净”感知数据子集，并逐步对回归模型求精及更新的方法。
技术介绍
近年来，个人智能移动终端(例如智能手机、平板电脑等)在处理能力、嵌入式传感器的性能、存储能力和无线数据传输速率等方面取得了突飞猛进的发展，其对以人为中心的物理世界的感知能力不断增强，加之其庞大的保有数量，造就了实现大规模感知的新方式，即移动群体感知，核心思想是让日常生活的普通大众成为感知其自身及周围环境的主体。典型移动群体感知系统由移动感知节点、移动感知服务器与系统用户构成。移动感知节点利用其附带的传感单元对环境进行感知，并将感知结果通过移动互联网提供给移动感知服务器进行处理与分析，后将分析结果提供给系统用户。移动群体感知系统中，移动感知节点常常同时对多个变量进行观测，且这些变量间往往会相互关联，存在内在的依赖关系。移动感知服务器对移动感知节点提供的多维感知数据(包括对多个自变量和一个因变量的测量)建立回归模型，可定量地描述各维度测量值间的相互依赖关系、对未来进行预测、识别不相关的或冗余的自变量等。例如，车载移动感知系统中，车辆将当前道路情况、行驶速度、剩余油量等测量值周期性地报告给应用服务器。平台通过对大量感知数据的回归分析，建立道路状况、行驶速度及油量消耗间的关系模型。服务平台可在未来的应用中使用该模型，根据实时路况及行驶速度向车辆用户推荐最省油的行驶路线。感知数据回归分析涉及以下特征：1、感知数据往往涉及到用户的隐私信息，出于对个人隐私数据的顾虑，移动感知节点并不会直接提交其原始感知数据。2、未经训练的普通移动设备用户作为感知的基本单元，不可避免地会出现感知数据不精确、不完整、不一致等质量问题。因此，感知数据通常会呈现数据质量低、存在较大比例异常值的特征。3、感知数据的分布可能随时间而改变，意味着回归模型需不断更新。4、移动设备的计算、通信能力及电量有限，回归建模若向其施以繁重的计算和通信任务，将削弱移动节点参与感知任务的意愿。由此可见，移动群体感知中存在感知数据涉及隐私、异常值影响建模准确度、时变感知数据需模型更新、感知节点资源受限性等问题，使得在移动群体感知系统中实施准确的回归建模十分困难。现有的感知数据分析中，隐私保护技术主要包括三类：1、基于同态加密等方法，检测数据点间距离，以识别孤立点为异常值，然而回归模型估计中“杠杆点”可能被错判；2、向感知数据中添加随机噪声的随机置乱类方法，该类方法将引起数据失真，影响模型准确度；3、单纯基于矩阵分块技术的最小二乘类回归方法，该类方法对异常值非常敏感，可能导致估计失效。因此，传统隐私保护的数据分析技术在移动群体感知数据回归建模中无效。
技术实现思路
本专利技术要解决的是基于移动群体感知数据回归建模中存在的感知数据隐私保护、异常值消除、回归模型更新、计算及通信开销问题，提供一种移动群体感知系统中保护感知数据隐私的盲回归建模和模型更新算法。为了解决上述技术问题，本专利技术的技术方案是提供一种移动群体感知中保护数据隐私的盲回归建模方法，其特征在于，任何感知节点或服务器无需获得他人的原始感知数据，可在包含50％以下异常值的感知数据上建立准确的回归模型，即具有高崩溃点鲁棒性特征；具体包括如下步骤：步骤1：选取“干净”感知数据子集；参与初始盲回归建模的移动感知节点使用本地的一组多维感知数据测量值，通过无线通信连接移动感知服务器；移动感知节点计算当前本地感知数据测量值集合的统计均值及协方差值，并呈交给移动感知服务器；移动感知服务器获得上述统计结果用于估计全局统计均值及协方差，然后将全局统计结果分发给各移动感知节点；各移动感知节点根据所述全局统计结果计算每个本地感知数据的马氏距离，并呈交给移动感知服务器，马氏距离用作估计感知测量值异常可能性的依据；移动感知服务器对所获马氏距离排序，选出对应马氏距离最小的一组感知测量值，构成初始“干净”感知数据子集，并通知持有被选中“干净”感知数据的相应移动节点；步骤2：构建粗糙的全局回归模型；移动感知节点计算本地“干净”测量值子集(本专利技术中感知数据和测量值是等同概念)，用于参与普通最小二乘法回归建模所需的中间聚集结果；出于安全聚集的考虑，防止中间聚集结果被用于反解出原始测量值，移动感知节点使用切片技术将其本地聚集结果随机切分为若干切片，并与其网络拓扑中的邻居移动感知节点交换切片，以重构新的聚集结果并呈递给移动感知服务器；移动感知服务器集齐聚集切片后，据此构建最小二乘估计等效的粗略全局回归模型；步骤3：全局回归模型求精；移动感知服务器向移动感知节点公布当前全局回归模型，每个移动感知节点计算本地测量值相对于当前回归模型的残差及本地残差平方和，呈递给移动感知服务器，以计算全局残差平方和；移动感知服务器向感知节点公布全局残差平方和，并设定异常值所对应标准化残差的阈值；每个移动感知节点使用全局残差平方和导出的本地测量值的标准化残差，并使用前述阈值剔除异常值；使用剩余测量值重新构造全局回归模型。优选地，所述步骤1中，由于移动感知服务器不具备感知测量结果本身的功能，因此需告知马氏距离被选中的感知数据所有者，使其选出相应感知测量值参与后续步骤。优选地，所述步骤3中，使用剩余测量值重新构造全局回归模型的具体过程为：每个感知节点使用非异常测量值计算新最小二乘回归估计所需的中间聚集结果，并通过步骤2所述切片技术向移动感知服务器呈递重构后的聚集结果，从而实现回归模型求精。本专利技术还提供了一种利用上述的移动群体感知中保护数据隐私的盲回归建模方法所建的盲回归模型的更新方法，其特征在于，无需重新估计模型，可基于当前回归模型系数和增量感知数据自适应地更新回归模型，具体包括如下步骤：步骤A：构建新粗糙全局模型；首先，根据新感知数据组，使用盲回归建模方法步骤1所述方法，发现新“干净”感知数据子集；然后，移动感知节点使用新的“干净”感知数据集计算更新全局模型所需的中间聚集结果，使用分片技术重构本地聚集结果并呈递给移动感知服务器；移动感知服务器基于当前回归模型和用新“干净”感知数据计算的聚集结果，构建新的粗糙全局回归模型，等效于将新“干净”测量值纳入回归模型估计中，达到模型更新的效果；步骤B：新回归模型求精；每个移动感知节点使用盲回归建模方法步骤3所述方法重新计算如下数据：1)符合盲回归建模方法步骤3所得旧全局模型的感知数据在新粗糙模型下的标准化残差；2)新感知测量值在当前粗糙模型下的标准化残差；以识别相对当前模型下的异常感知数据，从而判定需要加入新模型的感知数据和需要从当前模型中剔除的感知数据；随后，每个移动感知节点计算新增及删除感知数据所涉及的聚集结果，切片重构后分别呈递于移动感知服务器，移动感知服务器据此对当前模型求精。由于原始数据未被揭露，且只需在当前回归模型基础上实施必要地测量值增删操作，隐私保护和增量式更新可以实现。优选地，当移动感知节点获得足够的新感知测量值或模型更新周期到达时，盲回归模型更新过程将被执行。本专利技术提供的方法克服了现有技术的不足，移动感知节点与移动感知服务器间通过无线本文档来自技高网...

【技术保护点】
一种移动群体感知中保护数据隐私的盲回归建模方法，其特征在于，任何感知节点或服务器无需获得他人的原始感知数据，可在包含50％以下异常值的感知数据上建立准确的回归模型；具体包括如下步骤：步骤1：选取“干净”感知数据子集；参与初始盲回归建模的移动感知节点使用本地的一组多维感知数据测量值，通过无线通信连接移动感知服务器；移动感知节点计算当前本地感知数据测量值集合的统计均值及协方差值，并呈交给移动感知服务器；移动感知服务器获得上述统计结果用于估计全局统计均值及协方差，然后将全局统计结果分发给各移动感知节点；各移动感知节点根据所述全局统计结果计算每个本地感知数据的马氏距离，并呈交给移动感知服务器，马氏距离用作估计感知测量值异常可能性的依据；移动感知服务器对所获马氏距离排序，选出对应马氏距离最小的一组感知测量值，构成初始“干净”感知数据子集，并通知持有被选中“干净”感知数据的相应移动节点；步骤2：构建粗糙的全局回归模型；移动感知节点计算本地“干净”测量值子集，用于参与普通最小二乘法回归建模所需的中间聚集结果；出于安全聚集的考虑，防止中间聚集结果被用于反解出原始测量值，移动感知节点使用切片技术将其本地聚集结果随机切分为若干切片，并与其网络拓扑中的邻居移动感知节点交换切片，以重构新的聚集结果并呈递给移动感知服务器；移动感知服务器集齐聚集切片后，据此构建最小二乘估计等效的粗略全局回归模型；步骤3：全局回归模型求精；移动感知服务器向移动感知节点公布当前全局回归模型，每个移动感知节点计算本地测量值相对于当前回归模型的残差及本地残差平方和，呈递给移动感知服务器，以计算全局残差平方和；移动感知服务器向感知节点公布全局残差平方和，并设定异常值所对应标准化残差的阈值；每个移动感知节点使用全局残差平方和导出的本地测量值的标准化残差，并使用前述阈值剔除异常值；使用剩余测量值重新构造全局回归模型。...

【技术特征摘要】
1.一种移动群体感知中保护数据隐私的盲回归建模方法，其特征在于，任何感知节点或服务器无需获得他人的原始感知数据，可在包含50％以下异常值的感知数据上建立准确的回归模型；具体包括如下步骤：步骤1：选取“干净”感知数据子集；参与初始盲回归建模的移动感知节点使用本地的一组多维感知数据测量值，通过无线通信连接移动感知服务器；移动感知节点计算当前本地感知数据测量值集合的统计均值及协方差值，并呈交给移动感知服务器；移动感知服务器获得上述统计结果用于估计全局统计均值及协方差，然后将全局统计结果分发给各移动感知节点；各移动感知节点根据所述全局统计结果计算每个本地感知数据的马氏距离，并呈交给移动感知服务器，马氏距离用作估计感知测量值异常可能性的依据；移动感知服务器对所获马氏距离排序，选出对应马氏距离最小的一组感知测量值，构成初始“干净”感知数据子集，并通知持有被选中“干净”感知数据的相应移动节点；步骤2：构建粗糙的全局回归模型；移动感知节点计算本地“干净”测量值子集，用于参与普通最小二乘法回归建模所需的中间聚集结果；出于安全聚集的考虑，防止中间聚集结果被用于反解出原始测量值，移动感知节点使用切片技术将其本地聚集结果随机切分为若干切片，并与其网络拓扑中的邻居移动感知节点交换切片，以重构新的聚集结果并呈递给移动感知服务器；移动感知服务器集齐聚集切片后，据此构建最小二乘估计等效的粗略全局回归模型；步骤3：全局回归模型求精；移动感知服务器向移动感知节点公布当前全局回归模型，每个移动感知节点计算本地测量值相对于当前回归模型的残差及本地残差平方和，呈递给移动感知服务器，以计算全局残差平方和；移动感知服务器向感知节点公布全局残差平方和，并设定异常值所对应标准化残差的阈值；每个移动感知节点使用全局残差平方和导出的本地测量值的标准化残差，并使用前述阈值剔除异常值；使用剩余测量值重新构造全局回归模型。...

【专利技术属性】
技术研发人员：李超，常姗，卢婷，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海,31