論文元數(shù)據(jù)搜索,找到相關信息共 1 條:
, 最新更新時間: ,
doi: 10.11999/JEIT240796
在車載網(wǎng)絡(VANETs)中,聯(lián)邦學習(FL)通過協(xié)同訓練機器學習模型,實現(xiàn)了車輛間的數(shù)據(jù)隱私保護,并提高了整體模型的性能。然而,F(xiàn)L在VANETs中的應用仍面臨諸多挑戰(zhàn),如模型泄露風險、訓練結(jié)果驗證困難以及高計算和通信成本等問題。針對這些問題,該文提出一種面向聯(lián)邦學習的可驗證隱私保護批量聚合方案。首先,該方案基于Boneh-Lynn-Shacham (BLS)動態(tài)短群聚合簽名技術,保護了客戶端與路邊單元(RSU)交互過程中的數(shù)據(jù)完整性,確保全局梯度模型更新與共享過程的不可篡改性。當出現(xiàn)異常結(jié)果時,方案利用群簽名的特性實現(xiàn)車輛的可追溯性。其次,結(jié)合改進的Cheon-Kim-Kim-Song (CKKS)線性同態(tài)哈希算法,對梯度聚合結(jié)果進行驗證,確保在聯(lián)邦學習的聚合過程中保持客戶端梯度的機密性,并驗證聚合結(jié)果的準確性,防止服務器篡改數(shù)據(jù)導致模型訓練無效的問題。此外,該方案還支持車輛在部分掉線的情況下繼續(xù)更新模型,保障系統(tǒng)的穩(wěn)定性。實驗結(jié)果表明,與現(xiàn)有方案相比,該方案在提升數(shù)據(jù)隱私安全性和結(jié)果的可驗證性的同時,保證了較高效率。