无人机辅助车联网中隐私保护联邦学习系统及方法技术方案

本发明专利技术公开了一种无人机辅助车联网中隐私保护联邦学习系统及方法，系统初始化模块，参数加密模块，签名生成模块分别与车辆本地训练模块连接，车辆本地训练模块连接全局模型更新模块，全局模型更新模块连接车辆解密参数模块。通过系统初始化模块进行实体注册和系统初始化，CA为已注册车辆分配实现匿名化的假名和用于签名的密钥；通过车辆本地训练模块更新本地模型参数；通过参数加密模块为本地模型参数进行加密，将其转变为密文形式；通过签名生成模块生成可验证的签名，保证参与聚合本地模型的真实性和有效性；通过全局模型更新模块得到加密的全局模型参数；通过车辆解密参数模块得到系统更新的全局模型参数明文。到系统更新的全局模型参数明文。到系统更新的全局模型参数明文。

【技术实现步骤摘要】
无人机辅助车联网中隐私保护联邦学习系统及方法


[0001]本专利技术属于隐私保护联邦学习
，尤其涉及一种无人机辅助车联网中隐私保护联邦学习系统及方法。

技术介绍

[0002]近年来，随着5G、车联网等技术的发展，无人机辅助车联网(UAV
‑
assistedvehicular networks,UVNs)技术被提倡用于未来智能交通系统的建设。通过部署大量先进的传感器，车辆可利用其增强的感知能力来收集UVNs中的实时交通数据。利用海量交通数据进行机器学习建模可改善驾驶服务质量，例如交通预测和自动驾驶等服务。为保护参与者(即数据拥有者)的训练数据隐私，使用联邦学习范式取代传统的集中式模型训练方法。联邦学习支持分布式设备在数据不共享的情况下，协同训练一个人工智能模型，实现数据可用不可见。由于无人机的灵活机动性，在UVNs中，无人机可作为联邦学习过程的服务器。然而，诚实但好奇的无人机服务器可发动一系列攻击，以从联邦学习共享的模型参数中推测参与者(即车辆)的隐私数据，这极大地损害了用户隐私。进一步完善联邦学习系统以实现更为严格的隐私保护是一项待解决的工作。
[0003]目前，增强联邦学习过程隐私保护的现有方案主要以数据扰动机制和密码学方法为主，但由于在这些方案中服务器对模型参数的可见性，用户隐私仍面临着潜在的泄露风险。此外，由于无人机的覆盖范围有限性和车辆的移动性，传统的多对一联邦学习和同步更新联邦学习并不再适用于UVNs场景。

技术实现思路

[0004]本专利技术的目的是提供一种在UVNs中隐私保护联邦学习系统及方法，旨在为车辆提供严格隐私保护的同时，实现一种安全且高效的联邦学习。
[0005]本专利技术所采用的技术方案如下：
[0006]一种UVNs中隐私保护联邦学习系统，包括认证机构(certificationauthority,CA)系统初始化模块，车辆本地训练模块，参数加密模块，签名生成模块，全局模型更新模块，车辆解密参数模块；所述CA系统初始化模块，参数加密模块，签名生成模块分别与车辆本地训练模块连接，所述车辆本地训练模块连接全局模型更新模块，所述无人机全局模型更新模块连接车辆解密参数模块。
[0007]其中CA系统初始化模块，用于为系统中的实体，即车辆和无人机提供注册服务，发布系统参数以完成系统初始化，同时为已注册车辆分配实现匿名化的假名和用于签名的密钥；车辆本地训练模块，车辆利用其本地私有化数据集训练更新本地模型参数；参数加密模块，车辆通过Paillier加密算法为本地模型参数进行加密操作，将参数明文转变为密文形式；签名生成模块，车辆为自己即将上传的参数信息生成基于假名的签名，该签名用于无人机服务器对其接收的来自车辆的参数数据进行验证；全局模型更新模块，无人机服务器聚合已验证其真实性和有效性的加密局部模型参数，以得到加密的全局模型参数；车辆解密
参数模块，车辆利用保存在本地的私钥，解密全局模型，由于Paillier算法的加法同态性质，解密连乘操作的密文将得到连加操作的明文，因此车辆可得到系统更新的全局模型参数。
[0008]一种UVNs中隐私保护联邦学习方法，包括如下步骤：
[0009]S100.通过CA系统初始化模块，认证机构利用椭圆曲线密码系统生成系统初始化参数和分配给注册车辆的假名和私钥；
[0010]S200.通过车辆本地训练模块得到在各个车辆本地数据集上训练更新的局部模型参数；
[0011]S300.通过参数加密模块将S200步骤更新的局部模型参数进行Paillier加密得到密文；
[0012]S400.车辆利用CA根据其身份信息生成的密钥，为上传的加密模型参数添加签名，以便于无人机服务器对收到的本地模型参数进行真实性和有效性验证，确保参数来自合法车辆且未被更改或伪造；
[0013]S500.多个无人机相互交换步骤S400得到的其负责子区域的车辆本地模型参数，以克服无人机覆盖范围的有限性，同时对参数信息进行批量签名验证，将验证成功的多个本地参数执行加密状态下的连乘聚合，并将聚合结果广播给车辆；
[0014]S600.车辆利用其保存在本地的Paillier私钥解密参数，由于Paillier算法的加法同态特性，车辆将得到更新的全局模型。
[0015]在步骤S600之后还可以包括步骤S600A：判断模型性能是否达到要求或迭代次数是否超过设定值，是，则结束进程；否，则回到步骤S100继续进行模型的训练优化。
[0016]所述步骤S100的具体步骤为：
[0017]S110.车辆和无人机使用真实身份信息，向CA进行注册；
[0018]S120.CA确定系统的椭圆曲线方程、基点及阶数等基本参数；
[0019]S130.CA生成系统主密钥和对应的公钥，同时生成一个安全哈希函数；
[0020]S140.CA发布系统参数给所有注册的实体；
[0021]S150.CA为车辆生成实现匿名化的假名和用于签名的密钥，并通过安全的有线信道进行传输；
[0022]所述步骤S500的具体步骤为：
[0023]S510.无人机接收其负责子区域所有车辆的加密参数信息；
[0024]S520.多个无人机基于Gossip协议互换其收集的车辆参数信息，以克服单个无人机覆盖范围的有限性；
[0025]S530.无人机将执行交换操作后，对其拥有的车辆参数信息进行签名批量验证；
[0026]S540.无人机对未验证成功批次中的所有签名再次进行单一验证，揪出异常参数，并将该参数剔除；
[0027]S550.无人机将所有成功验证的本地模型参数，在加密状态下执行异步连乘聚合。
[0028]与现有技术相比，本专利技术具有如下突出的实质性特点和显著的优点：
[0029]本专利技术提出了一种在UVNs中进行隐私保护的多无人机协作联邦学习方案。首先，车辆使用Paillier算法对局部模型参数进行加密，为了确保局部参数对所有实体的不可见性，由Paillier算法生成的公钥及私钥均保存在车辆本地，这相比于现存其他方案实现了
更为严格的隐私保护。同时，由于密文上的连乘聚合与明文上的连加聚合的等效性，无人机可以直接在加密形式下的本地模型参数上进行异步全局聚合，而不需要知道参数详细信息。此外，设计了一种基于假名的签名机制，车辆为上传的参数信息生成可验证的签名，无人机可基于签名验证本地模型参数信息的真实性和有效性。最后，为了提高联邦学习的效率，设计了一种模型共享机制和异步更新机制，即多个无人机基于Gossip协议相互交换其收集到的本地模型参数，执行异步全局模型更新，以克服无人机覆盖范围的有限性和达到更高的迭代效率。总言之，该方案在保证严格隐私保护的同时，支持服务器对本地参数信息进行验证，且通过互换参数信息进行异步聚合的方式提高整个联邦学习系统的效率。
附图说明
[0030]图1为本专利技术UVNs中隐私保护联邦学习系统的示意图。
[0031]图2为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人机辅助车联网中隐私保护联邦学习系统，其特征在于，包括CA系统初始化模块(100)，车辆本地训练模块(200)，参数加密模块(300)，签名生成模块(400)，全局模型更新模块(500)，车辆解密参数模块(600)；所述CA系统初始化模块(100)，参数加密模块(300)，签名生成模块(400)分别与车辆本地训练模块(200)连接，所述车辆本地训练模块(200)连接全局模型更新模块(500)，所述无人机全局模型更新模块(500)连接车辆解密参数模块(600)。2.根据权利要求1所述的无人机辅助车联网中隐私保护联邦学习系统，其特征在于，所述CA系统初始化模块(100)，完成系统初始化，为车辆分配假名和密钥；所述车辆本地训练模块(200)，负责进行本地模型参数更新，由车辆组成；所述参数加密模块(300)，用于车辆本地训练模块(200)的参数隐私保护；所述签名生成模块(400)，负责为参数信息添加基于假名的签名；所述全局模型更新模块(500)，负责对签名进行批量验证和执行联邦学习中的全局模型聚合，由无人机组成；所述车辆解密参数模块(600)，负责解密参数得到系统更新的全局模型参数，由车辆组成。3.根据权利要求1或2所述的无人机辅助车联网中隐私保护联邦学习系统，其特征在于，所述CA系统初始化模块(100)为车辆分配实现匿名化的假名和生成签名的密钥，以保护车辆身份隐私和维护签名的可信度。4.根据权利要求1或2所述的无人机辅助车联网中隐私保护联邦学习系统，其特征在于，所述全局模型更新模块(500)为克服单个无人机覆盖范围的有限性和意外的单点故障，需利用Gossip协议建立模型互换机制，并执行异步模型聚合以提高联邦学习的效率。5.一种无人机辅助车联网中隐私保护联邦学习方法，其特征在于，包括以下步骤：S100.通过CA系统初始化模块(100)，CA生成系统初始化参数和分配给注册车辆的假...

【专利技术属性】
技术研发人员：许其超，兰玉琳，苏洲，
申请(专利权)人：上海大学，
类型：发明
国别省市：