基于自适应非线性函数的无人机边缘计算隐私保护方法技术

本发明专利技术公开了一种基于自适应非线性函数的无人机边缘计算隐私保护方法，涉及无人机及网络与信息安全领域，所述方法包括：每个无人机在加入训练后，构建自适应非线性加密函数；每个无人机利用所述自适应非线性加密函数，对本轮训练本地模型得到的梯度进行加密，得到加密梯度，并上传给关联的基站；每个基站对关联的每个无人机本轮上传的加密梯度进行梯度异常检测，并将梯度异常检测结果上传至区块链；所述区块链根据每个无人机的梯度异常检测结果，对加密梯度进行安全聚合，得到全局梯度，以供每个无人机获取并利用所述全局梯度进行本地模型更新。本发明专利技术能够有效应对无人机发生隐私泄露问题，且有效甄别可信本地节点以及抵挡恶意攻击。恶意攻击。恶意攻击。

【技术实现步骤摘要】
基于自适应非线性函数的无人机边缘计算隐私保护方法


[0001]本专利技术涉及无人驾驶飞机(简称无人机，Unmanned Aerial Vehicle，UAV)以及网络与信息安全领域，尤其涉及一种基于自适应非线性函数的无人机边缘计算隐私保护方法。

技术介绍

[0002]无人机移动边缘计算(Mobile Edge Computing，MEC)被视为一种有前途的范例，可以处理无处不在的无人机收集的海量数据，从而在人工智能(Artificial Intelligence，AI)的帮助下实现智能服务。但是由于无人机边缘计算网络通常位于不可信环境中，也面临各种安全和隐私威胁。
[0003]联邦学习(Federated Learning，FL)作为一种新型的分布式机器学习框架，可以联合多个本地无人机设备在仅共享模型参数的前提下协同训练机器学习模型，能够有效避免本地无人机设备向边缘节点直接传输数据造成的隐私泄露问题。但是无人机边缘计算中应用联邦学习也会面临的安全威胁以及互信风险。
[0004]1)隐私泄露
[0005]即使训练资源存储在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应非线性函数的无人机边缘计算隐私保护方法，其特征在于，所述方法包括：每个无人机在加入训练后，构建基于本地模型的共享网络层的自适应参数的自适应非线性加密函数；每个无人机利用所述基于本地模型的共享网络层的自适应参数的自适应非线性加密函数，对本轮训练本地模型得到的梯度进行加密，得到加密梯度，并将所述加密梯度上传给关联的基站；每个基站对关联的每个无人机本轮上传的加密梯度进行梯度异常检测，并将关联的每个无人机的梯度异常检测结果上传至区块链；所述区块链在收到关联的基站上传的梯度异常检测结果后，根据每个无人机的梯度异常检测结果，对加密梯度进行安全聚合，得到全局梯度，以供每个无人机获取并利用所述全局梯度进行本地模型更新。2.根据权利要求1所述的方法，其特征在于，所述构建基于本地模型的共享网络层的自适应参数的自适应非线性加密函数包括：根据每个共享网络层的自适应参数，构建每个共享网络层对应的自适应非线性加密函数，其中，第k个共享网络层对应的自适应非线性加密函数f(k|s)表示为：其中，s是各共享网络层对应的自适应参数集合(α1,
…
α
N
)；N表示共享的总层数；α
k
表示第k个共享网络层的自适应参数，初始值为1，随本地模型的训练过程动态变化直至收敛。3.根据权利要求2所述的方法，其特征在于，通过将每个共享网络层的自适应参数作为本地模型分类损失的一部分，使每个共享网络层的自适应参数随本地模型的训练过程动态变化直至收敛。4.根据权利要求3所述的方法，其特征在于，所述本地模型分类损失是根据自适应参数非线性扰动损失和交叉熵损失确定的，其中，所述自适应参数非线性扰动损失通过以下步骤确定：对于每个共享网络层，根据该共享网络层及的位于该共享网络层之前的各个共享网络的自适应参数的累积值，确定该共享网络层的非线性正则项；将各个共享网络层的非线性正则项相加，得到自适应参数非线性扰动损失G，表示为：5.根据权利要求2所述的方法，其特征在于，所述每个无人机利用所述基于本地模型的共享网络层的自适应参数的自适应非线性加密函数，对本轮训练本地模型得到的梯度进行加密，得到加密梯度包括：将本地模型中每个共享网络层对应的自适应非线性加密函数的函数值与本轮训练本地模型得到的每个共享网络层对应的梯度相加...

【专利技术属性】
技术研发人员：朱朝阳，朱晓，覃团发，张振荣，葛志辉，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：