A federated learning privacy preserving scheme for infrastructure-less vehicular networks
Abstract
车载网络正面临日益严峻的隐私泄露威胁. 然而, 现有研究方案多依赖于路侧基础设施的完备性, 这导致其在路侧单元损坏等无辅助计算场景中, 存在数据泄露、认证机制失效及内部恶意攻击等多重安全风险. 为此, 本文提出一种基于区块链的无辅助计算车载网络联邦学习隐私保护方案. 首先, 通过设计一种组成员动态管理机制, 依托区块链去中心化、不可篡改和可追溯的特性, 实现车辆之间的高效认证过程, 并且能够精准应对组成员的动态变化. 其次, 进一步引入联邦学习范式, 构建交通流量预测模型,完成对车辆隐私数据的保护和跨区域交通流量预测, 从而实现数据价值释放与隐私保护的平衡. 最后, 在随机响应模型下, 基于椭圆曲线离散对数问题证明了所提方案的安全性; 同时使用启发式分析对所提方案的安全属性进行验证. 性能评估结果表明, 随着组成员规模的递增, BFL-P3S的计算效率增幅最高达到46.6%, 显著优于现有同类方案, 从而全面验证其综合性能的优越性.
Read the paper
Related studies
- Active Learning during Federated Learning for Object Detection
- Fairness-aware federated learning
- Decentralized Federated Learning
- Building a Personally Identifiable Information Recognizer in a Privacy Preserved Manner Using Automated Annotation and Federated Learning
- Preservation of Patient Level Privacy: Federated Classification and Calibration Models
- Efficient explainable federated learning
Go deeper in Evidence Hub
Evidence Hub adds a study data sheet (design, sample size, evidence level, key numbers), an AI summary and a chat grounded in the paper's text.