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技术

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，其为：(1)边缘设备将自己拥有的信息强度RSS数据经添加拉普拉斯噪声后随机发送到附近边缘节点；(2)边缘节点接收到RSS数据后，将相同位置收集到的WiFi和蓝牙的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；(3)边缘服务器将接收到的噪声标记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数据进行差分隐私保护的特征融合，并将所有经过隐私保护处理后的数据集发送到云服务器；(4)云服务器拟合学习参数，进行满足差分私有的机器学习模型训练，生成安全可信的室内定位模型。本发明专利技术不仅能够提供可证明的隐私保护，而且可以保证较高的定位精度和较少的资源消耗。

【技术实现步骤摘要】
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
本专利技术涉及室内定位的服务领域，为了获得更好的定位服务，用户自愿提供自己拥有或收集的数据参与定位模型的训练，并逐层经过适当的差分私有扰动后，在云服务器生成安全可信的室内定位模型，从而保护用户的位置隐私。
技术介绍
在传统以云为中心的计算方法中，移动设备收集的数据将被全部上传并存储在云端的服务器上进行集中的计算与处理。然而，随着物联网、群智感知、社交网络等技术和领域的飞速发展。无处不在的移动设备、传感器持续产生海量数据、数以亿计的用户在享受互联网服务时产生巨量的交互，使得边缘侧数据出现爆炸式增长，云计算在处理这些数据的时候，会消耗大量的计算和存储资源，其能力就会显得捉襟见肘。边缘计算可以迁移云计算的压力，高效地处理这些海量数据(例如图片、视频、位置信息等)，促使以数据为驱动的人工智能成为可能。另一方面，室内定位技术作为人工智能发展中的一大领域，学术界和工业界对该技术做了大量的研究。基于Wi-Fi指纹的室内定位技术被认为是现今最流行的方法之一，该技术采用机器学习方法利用来自本文档来自技高网...

【技术保护点】
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，/n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Access Point，AP，收集到的大量Wi-Fi和蓝牙BLE接收信息强度，即Received Signal Strength，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；/n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；...

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：张学军，陈前，鲍俊达，何福存，盖继扬，杜晓刚，黄海燕，巨涛，
申请(专利权)人：兰州交通大学，
类型：发明
国别省市：甘肃;62