一种汽车智能网联车机的数据安全保护方法技术

本发明专利技术公开了一种汽车智能网联车机的数据安全保护方法，应用于车载主机，所述车载主机为服务器中目标模型联邦学习的一个节点，用于接收目标模型，所述方法包括：车载主机中设置Shuffle模型，由Shuffle模型接收服务器的模型参数，再将模型参数发送至车载主机中的目标模型；当汽车在自动驾驶时，根据汽车自动驾驶产生的数据对所述车载终端中的目标模型进行训练，并得到训练后目标模型的节点参数；将节点参数上传至Shuffle模型中进行加密化，然后由Shuffle模型将加密的节点参数上传至服务器，服务器对其进行解密，根据解密后的节点参数更新服务器中的目标模型。本发明专利技术可以提高车载主机数据的安全性，提高了攻击者获取隐私数据的难度。据的难度。据的难度。

【技术实现步骤摘要】
一种汽车智能网联车机的数据安全保护方法


[0001]本专利技术涉及汽车网联
，特别涉及一种汽车智能网联车机的数据安全保护方法。

技术介绍

[0002]自动驾驶汽车是一种在配置有车载终端的电动汽车中，为了满足驾驶等需求，可在车载终端中使用机器学习的模型，用于不断的对机器模型进行训练和更新。在现有相关技术中，由于机器学习需要整合多方数据来训练模型，该模型均在服务器维护，车载终端运行相应软件时，可请求服务器进行处理，此时，服务器可将自车载终端接收到的数据输入模型，进而将模型反馈的结果发送至车载终端。
[0003]然而，在该过程中，车载终端的数据需上传至服务器，不论是用户相关数据还是车辆相关数据，均可能涉及到用户的隐私，将其均上传至服务器易于造成数据的安全隐患。

技术实现思路

[0004]本专利技术的目的在于，提供一种汽车智能网联车机的数据安全保护方法。本专利技术可以提高车载主机数据的安全性，提高了攻击者获取隐私数据的难度。
[0005]本专利技术的技术方案：一种汽车智能网联车机的数据安全保护方法，应用于车载主机，所述车载主机为服务器中目标模型联邦学习的一个节点，用于接收目标模型，所述方法包括：
[0006]车载主机中设置Shuffle模型，由Shuffle模型接收服务器的模型参数，再将模型参数发送至车载主机中的目标模型；
[0007]当汽车在自动驾驶时，根据汽车自动驾驶产生的数据对所述车载终端中的目标模型进行训练，并得到训练后目标模型的节点参数；
[0008]将节点参数上传至Shuffle模型中进行加密化，然后由Shuffle模型将加密的节点参数上传至服务器，服务器对其进行解密，根据解密后的节点参数更新服务器中的目标模型。
[0009]上述的汽车智能网联车机的数据安全保护方法，所述Shuffle模型采用的是内部打乱类型的Knuth
‑
Durstenfeld Shuffle算法。
[0010]前述的汽车智能网联车机的数据安全保护方法，所述的Knuth
‑
Durstenfeld Shuffle算法的输入为数组大小为n的数组arr，分别存放1到n的数字；Knuth
‑
Durstenfeld Shuffle算法的输出为处理后的数组arr
′
，实现步骤如下：
[0011]Step1：生成一个0到n
‑
1的随机数x；
[0012]Step2：输出下标为x的数值，即为第一个随机数；
[0013]Step3：将arr当前的尾元素与第x个元素交换；
[0014]Step4：将步骤1改为生成一个0到n
‑
2的随机数，并将arr的倒数第二个元素和下标为x的元素互换；
[0015]Step5：以步骤4类推，重复执行直到输出m个数为止。
[0016]前述的汽车智能网联车机的数据安全保护方法，所述车载主机中的目标模型训练采用CNN作为模型训练的算法，CNN算法由以下几层构成：输入层、卷积层，ReLU层、池化层和全连接层，其中卷积层和全连接层中的参数会随着梯度下降被训练，训练过程采用反向传播算法来优化网络结构，通过不断的训练来求解网络中的未知参数。
[0017]前述的汽车智能网联车机的数据安全保护方法，所述服务器中的目标模型更新采用局部随机梯度下降算法。
[0018]前述的汽车智能网联车机的数据安全保护方法，所述局部随机梯度下降算法的输入包括目标函数f，模型初始值x0，迭代次数T，通信周期k和学习率η
t
，t∈{1，2，...，T}；所述局部随机梯度下降算法的输出为优化结果，实现步骤如下：
[0019]Step1：初始化：i表示车载
[0020]Step2：对每一轮的迭代t，在车载主机C
i
上执行：随机从矩阵D
i
中选择一个小批量并计算其对应的随机梯度：
[0021][0022]Step3：如果迭代t是通信周期k的倍数，则令各个车载主机相互通信并更新模型：
[0023][0024]Step4：如果迭代t是通信周期k的倍数，则局部更新模型：
[0025][0026]与现有技术相比，本专利技术在联邦学习框架的基础上添加了Shuffle模型，该Shuffle模型可以在目标模型加载模型参数训练时，或者更新节点参数时对其Shuffle处理，从而实现在不同程度上打乱原始数据，前者能够平衡数据安全和模型准确率，后者能实现对数据安全的保护，从而实现提高攻击者通过车载主机发往服务器的模型参数中获得隐私数据的难度。
附图说明
[0027]图1是本专利技术的流程示意图；
[0028]图2是不加Shuffle模型的联邦学习模型评估结果图；
[0029]图3是添加Shuffle模型的联邦学习模型评估结果图；
[0030]图4是在数据集加载时对数据集进行Shuffle模型处理的联邦学习模型评估结果图。
具体实施方式
[0031]下面结合实施例对本专利技术作进一步的说明，但并不作为对本专利技术限制的依据。
[0032]实施例：一种汽车智能网联车机的数据安全保护方法，应用于车载主机，所述车载主机为服务器中目标模型联邦学习的一个节点，用于接收目标模型。如图1所示：所述方法
包括：
[0033]车载主机中设置Shuffle模型。所述Shuffle模型采用的是内部打乱类型的Knuth
‑
Durstenfeld Shuffle算法。所述的Knuth
‑
Durstenfeld Shuffle算法的输入为数组大小为n的数组arr，分别存放1到n的数字；Knuth
‑
Durstenfeld Shuffle算法的输出为处理后的数组arr
′
，实现步骤如下：
[0034]Step1：生成一个0到n
‑
1的随机数x；
[0035]Step2：输出下标为x的数值，即为第一个随机数；
[0036]Step3：将arr当前的尾元素与第x个元素交换；
[0037]Step4：将步骤1改为生成一个0到n一2的随机数，并将arr的倒数第二个元素和下标为x的元素互换；
[0038]Step5：以步骤4类推，重复执行直到输出m个数为止。
[0039]由Shuffle模型接收服务器的模型参数，再将模型参数发送至车载主机中的目标模型；本实施例对Shuffle在联邦学习的应用，主要通过在每个迭代结束后，将数据重新Shuffle后返回一个新的打乱顺序的数组，再进入下一个迭代的学习，从而打乱原始数据，使得攻击者更难在获得隐私数据。
[0040]本实施例中，当汽车在自动驾驶时，根据汽车自动驾驶产生的数据对所述车载终端中的目标模型进行训练，并得到训练后目标模型的节点参数；汽车的自动驾驶的数据包括车距、车速、转向角、图片等数据。在本实例中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种汽车智能网联车机的数据安全保护方法，应用于车载主机，所述车载主机为服务器中目标模型联邦学习的一个节点，用于接收目标模型，其特征在于：所述方法包括：车载主机中设置Shuffle模型，由Shuffle模型接收服务器的模型参数，再将模型参数发送至车载主机中的目标模型；当汽车在自动驾驶时，根据汽车自动驾驶产生的数据对所述车载终端中的目标模型进行训练，并得到训练后目标模型的节点参数；将节点参数上传至Shuffle模型中进行加密化，然后由Shuffle模型将加密的节点参数上传至服务器，服务器对其进行解密，根据解密后的节点参数更新服务器中的目标模型。2.根据权利要求1所述的汽车智能网联车机的数据安全保护方法，其特征在于：所述Shuffle模型采用的是内部打乱类型的Knuth
‑
Durstenfeld Shuffle算法。3.根据权利要求2所述的汽车智能网联车机的数据安全保护方法，其特征在于：所述的Knuth
‑
Durstenfeld Shuffle算法的输入为数组大小为n的数组arr，分别存放1到n的数字；Knuth
‑
Durstenfeld Shuffle算法的输出为处理后的数组arr
′
，实现步骤如下：Step1：生成一个0到n
‑
1的随机数x；Step2：输出下标为x的数值，即为第一个随机数；Step3：将arr当前的尾元素与第x个元素...

【专利技术属性】
技术研发人员：胡双全，杨爱喜，汪雪光，殷玉明，朴钟宇，谭大鹏，许雄伟，
申请(专利权)人：杭州吉网通信技术有限公司，
类型：发明
国别省市：