一种基于动态隐私预算的无线定位差分隐私联邦学习方法技术

一种基于动态隐私预算的无线定位差分隐私联邦学习方法，包括：(1)终端设备对从室内获取到的RSS指纹数据集数据预处理和差分扰动，将扰动后的RSS数据发送至邻近的边缘服务器；(2)边缘服务器对接受到的RSS指纹数据进行聚合并利用这些聚合数据进行本地定位子模型训练，在每轮迭代过程中，利用RDP技术进行动态隐私预算分配后，将处理好的本地子模型参数上传给云服务器；(3)接收各边缘服务器共享的子模型参数，利用联邦平均优化算法更新全局共享模型参数，并将更新后的模型参数下发给各边缘服务器进行下一轮迭代训练，直至获得最优的训练模型。本发明专利技术在保护用户的数据隐私与模型的参数隐私的同时，可获得较高精度的室内定位模型及较低的响应时延。及较低的响应时延。及较低的响应时延。

【技术实现步骤摘要】
一种基于动态隐私预算的无线定位差分隐私联邦学习方法


[0001]本专利技术属于室内定位领域，具体涉及一种在利用位置信息进行位置服务时，保护用户的数据隐私及模型参数隐私的方法，具体指一种基于动态隐私预算的无线定位差分隐私联邦学习方法。

技术介绍

[0002]随着网络技术和移动定位技术的发展，使得越来越多的应用程序离不开定位功能。室外定位技术的发展已臻于成熟，人们将目光转向室内定位技术，为此产生了很多有助于提高室内定位精度的技术，主要包括基于红外线、超声波、RFID、无线局域网、蓝牙、传感网络、超带宽、电磁信号、视觉和声音等，以及由这些技术组合成的混合系统。虽然这些技术中大都提供了高水平的定位精度，但其应用都有严重的局限性，难以达到室内定位和导航的要求。而基于接收信号强度(Received Signal Strength,RSS)的指纹定位技术因其具有易实现、低成本、低功耗、基础设施成熟等优势而成为室内定位的主流趋势。面对海量可用的RSS指纹数据，为了利用这些RSS数据进一步提高室内定位精度和应对室内环境复杂多变、无线信号阴影衰落、多径效应等因素的不利影响，一些新的研究提出利用多传感器数据、信道状态信息(Channel State Information,CSI)数据并结合联邦学习技术辅助WiFi或蓝牙指纹进行室内定位，获得了比传统定位方法和系统更高的定位精度和鲁棒性。然而，在室内定位技术为用户服务的过程中，出现了数据处理及传输延迟、云服务器压力、网络负载等问题，而将室内定位联邦学习模型部署到边缘计算框架中是解决传统基于云架构的室内定位系统存在上述问题的一种有效策略。
[0003]虽然边缘计算环境和联邦学习能够有效解决云架构下存在的诸多挑战，但由于边缘设备计算、通信、存储等资源受限的问题，难以执行复杂的隐私保护策略，因此隐私泄露问题仍很严峻。恶意攻击者可以通过模型反演攻击、成员推理攻击等技术利用神经网络参数获取用户的隐私信息，而差分隐私技术通过给数据添加符合其分布的随机噪声，能够有效地解决联邦学习模型在训练及应用过程当中存在的隐私泄露问题，保护用户的隐私。噪声量由隐私预算参数ε控制，ε越大，添加的噪声越小，数据可用性越高，反之，添加的噪声就越多，数据可用性就越小。因此，如何设计一个高效的、动态的隐私预算分配策略是目前DL隐私保护领域中的研究热点及难点。
[0004]面对利用差分隐私保护联邦学习模型在训练及应用过程当中存在的隐私预算分配问题，许多人对这个方法提出了改进。Martin等人针对深度学习模型训练中的隐私泄露问题，基于(ε，δ)
‑
差分技术提出了DP
‑
SGD算法，利用Mom
‑
ents Account(MA)对隐私损失进行了精细化分析与追踪，能够在细粒度保护用户隐私的情况下，获得了可靠的模型性能，但没有考虑数据批处理方法对隐私损失造成的影响。为了解决这个问题，Yu等人基于集中差分隐私提出新的动态隐私预算方法，该方法能够在提供更加严格的隐私保护的同时，提高了模型的性能。虽然这些方法能够实现动态隐私预算分配，但是仍无法直接适用于高度复杂且动态的边缘计算环境，难以有效解决基于深度学习的指纹室内定位隐私保护方法存在
的隐私预算动态调整与分配问题，该问题已成为阻碍室内定位技术快速发展与应用的挑战之一。
[0005]针对边缘计算环境的高度复杂性与动态性，现有的动态隐私预算分配策略难以适用，因此学术界对此进行了深入地探索。专利CN114462090A基于假设检验通过f
‑
差分隐私技术完成隐私预算分配，使得联邦学习系统在精度下降不超出可接受阈值的范围的同时满足差分隐私。但是，该方法没有考虑到实时性这个问题，无法满足动态的边缘计算环境，专利CN113642715A是在相关性对梯度进行扰动的基础上考虑最优模型噪声添加情况，从而解决的隐私预算消耗过大的问题，提高隐私保护水平。但是，该方法是根据权重的变化来进行隐私预算分配的，不能够对差分隐私进行细粒度控制。

技术实现思路

[0006]针对以上问题，本专利技术提出一种基于动态隐私预算的无线定位差分隐私联邦学习方法，主要解决两个问题：1、在保护用户数据隐私及模型参数隐私的同时，获得较高的室内定位模型精度以及较低的响应时延；2、实现室内定位模型训练过程中的隐私预算精细化分配。
[0007]本专利技术所采用的技术方案为：
[0008]一种基于动态隐私预算的无线定位差分隐私联邦学习方法，具体按照以下步骤实施：
[0009]步骤A，数据预处理和差分扰动：终端设备将从室内区域获取的基于接收信号强度的Received Signal Strength，RSS指纹数据集进行数据预处理和差分扰动，然后将扰动后的RSS指纹数据发送至邻近的边缘服务器；数据预处理为利用皮尔逊相关系数Pearson Correlation Coefficient,PCC剔除掉弱相关的RSS指纹数据，然后利用(ε，δ)
‑
差分隐私技术对转换后的灰度图像进行差分扰动，最后将扰动后的灰度图像发送给边缘服务器；
[0010]步骤B，本地子模型训练：边缘服务器对接受的RSS指纹数据进行聚合，利用这些聚合数据进行本地定位子模型训练，利用R
é
nyi差分隐私R
é
nyi DifferentialPrivacy,RDP技术动态计算隐私预算损失并进行隐私预算分配，自适应调整当前阶段对参数梯度的扰动程度，实现噪声数据的细粒度控制，并将训练好的本地子模型参数上传到云服务器；
[0011]步骤C，模型参数聚合：在每轮迭代过程中云服务器接收到来自各边缘服务器共享的模型参数，利用联邦平均优化算法更新全局共享模型参数，然后将聚合后的模型参数下发给各边缘服务器，使其进行下一步迭代训练，直至获得最优的训练模型。
[0012]步骤A进一步包括：
[0013]A1、将室内区域分为N个均匀小区域，每个区域的标签为l
i
，1≤i≤N，用户在室内区域中收集到的K条指纹数据记录R＝[r1，r2，...，r
K
]，其中r
j
＝[r1，r2，...，r
m
，l
i
]，1≤j≤K表示用户在区域l
i
中m个APs收集到的第j条RSS指纹数据；
[0014]A2、计算指纹数据标签L
K
＝[l1，l1，...，l
K
]与w
n
，1≤n≤m的PCC值c，其中w
n
为指纹数据集R的第n列数据；当|c|≤0.3时，表明APs信号强度不可用，因此，在该阶段，我们剔除了|c|≤0.3的指纹数据列；
[0015]A3、计算最新RSS指纹数据记录和c的哈达玛乘积Hadamard Product，HP，得到哈达玛矩HP；其中HP＝[HP1，HP2，...，HP
K
]，对HP
i
进行差分扰动后转本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于动态隐私预算的无线定位差分隐私联邦学习方法，其特征在于，具体按照以下步骤实施：步骤A，数据预处理和差分扰动：终端设备将从室内区域获取的基于接收信号强度的Received Signal Strength，RSS指纹数据集进行数据预处理和差分扰动，然后将扰动后的RSS指纹数据发送至邻近的边缘服务器；数据预处理为利用皮尔逊相关系数Pearson Correlation Coefficient，PCC剔除掉弱相关的RSS指纹数据，然后利用(ε，δ)
‑
差分隐私技术对转换后的灰度图像进行差分扰动，最后将扰动后的灰度图像发送给边缘服务器；步骤B，本地子模型训练：边缘服务器对接受的RSS指纹数据进行聚合，利用这些聚合数据进行本地定位子模型训练，利用R
é
nyi差分隐私R
é
nyi Differential Privacy，RDP技术动态计算隐私预算损失并进行隐私预算分配，自适应调整当前阶段对参数梯度的扰动程度，实现噪声数据的细粒度控制，并将训练好的本地子模型参数上传到云服务器；步骤C，模型参数聚合：在每轮迭代过程中云服务器接收到来自各边缘服务器共享的模型参数，利用联邦平均优化算法更新全局共享模型参数，然后将聚合后的模型参数下发给各边缘服务器，使其进行下一步迭代训练，直至获得最优的训练模型。2.根据权利要求1所述的一种基于动态隐私预算的无线定位差分隐私联邦学习方法，其特征在于，步骤A进一步包括：A1、将室内区域分为N个均匀小区域，每个区域的标签为l
i
，1≤i≤N，用户在室内区域中收集到的K条指纹数据记录R＝[r1，r2，...，r
K
]，其中r
j
＝[r1，r2，...，r
m
，l
i
]，1≤j≤K表示用户在区域l
i
中m个APs收集到的第j条RSS指纹数据；A2、计算指纹数据标签L
K
＝[l1，l1，...，l
K
]与w
n
，1≤n≤m的PCC值c，其中w
n
为指纹数据集R的第n列数据；当|c|≤0.3时，表明APs信号强度不可用，因此，在该阶段，我们剔除了|c|≤0.3的指纹数据列；A3、计算最新RSS指纹数据记录和c的哈达玛乘积Hadamard Product，HP，得到哈达玛矩HP；其中HP＝[HP1，HP2，...，H...

【专利技术属性】
技术研发人员：张学军，孙小文，张潇，席阿友，徐彤，黄海燕，张斌，周文杰，加小红，
申请(专利权)人：兰州交通大学，
类型：发明
国别省市：