【技术实现步骤摘要】
本专利技术涉及车联网、区块链和联邦学习领域，具体地说是一种基于区块链的车联网联邦学习隐私保护方法。
技术介绍
1、5g网络及新型智能网络技术的快速发展推动了车联网不断向前，使得自动驾驶和内容交付等服务成为可能。在车联网中，车辆每时每刻都会产生大量不同类型的数据，这些数据包含大量用户的隐私信息，如车辆轨迹、转速、位置等。车辆之间的数据共享可以有效降低道路交通事故以及提高驾驶体验。然而，在车联网中数据安全和隐私泄露制约着车辆之间数据共享，造成驾驶员不愿意共享自己的数据，以至于机器学习过程中由于数据量不足出现训练精度不高和损失较大的情况。
2、最近，新兴的区块链以去中心化、透明性、不可篡改及可追溯等特性成为了分布式解决方案中一项重要的技术，受到金融、医疗器械、智能电网等众多领域的广泛关注。传统联邦学习的脆弱性在于过度依赖集中式服务器，一旦其受到单点故障攻击，车联网中的车辆可能无法完成联邦学习过程。一些学者将区块链与机器学习相结合，构建了分布式联邦学习架构，实现了在完全不可信的环境下的信息流转和机器学习过程的公开透明。然而，联盟链系统仍存在一些问题，在数据共享场景中难以满足低时延、高吞吐量以及出色的安全性要求，设计更适合车联网数据共享的共识协议成为必然趋势。一个高效且稳健的共识协议不仅可以提高数据共享效率，还可以抵抗中毒攻击、51％攻击等恶意攻击。所以，如何在保持数据隐私和安全的同时，有效的协调和促进车辆之间的数据共享，是数据共享得以顺利进行的基本保障。
技术实现思路
1、本专
2、本方法采用的技术方案包含以下步骤：
3、步骤1：设计一个基于区块链的车联网联邦学习模型，初始化车辆和rsu等本地设备，初始化区块链，创建区块b0；
4、步骤2：在系统初始化完成后，结合代币对领导节点进行选取；
5、步骤3：本地设备使用随机下降法对本地模型进行训练，在共享局部梯度时添加高斯噪声，进行差分隐私梯度共享；
6、步骤4：本地设备对接收到的共享梯度后，领导者节点进行梯度聚合与广播并根据验证结果出块；
7、步骤5：本地设备从区块链网络中下载新区块，获得全局梯度，验证全局梯度后更新本地模型，并从步骤2开始下一轮训练，直至模型收敛或达到最大训练轮数；
8、步骤1具体包括如下：
9、设计一个基于区块链的车联网联邦学习模型，该模型有车辆和rsu等具有通信能力和数据采集存储能力的设备组成，所有设备需要在可信权威机构申请注册真实身份信息后，才能参与数据共享。所述参与数据共享的本地设备系统都会发放公钥pk和私钥sk，其中公钥作为参与数据共享过程的唯一身份id。公钥和身份id作为公开信息可以在网络中传输，每辆车都可以在网络传输中获取。rsu通过下行链路将任务发送至通过身份验证和具有请求数据集d＝{d1,d2,…,dn}的服务提供车辆。经过多轮协同训练，服务提供车辆将计算出最终的模型发送至rsus。在区块链系统运行时，系统会创建一个创世区块b0，记录了所述参与本地设备的公钥和身份id、版本号、区块高度、时间戳及当前区块的哈希值。同时，每个本地设备在加入区块链系统时，系统会发放相同数量的代币。
10、为了提高区块链的健壮性，领导节点的选择应该是无序且不可预测的。在数据共享中，被选中的节点扮演着领导者的角色协调参与节点对全局模型达成一致性意见；步骤2具体包括如下：
11、每个节点都在共识过程的第一阶段执行领导节点选择算法，该算法基于可验证随机函数(verifiablerandomfunction，vrf)和二项分布的累积密度函数(cumulativedistributionfunction，cdf)提出，包括了所述模型中任意竞争节点vi的常用函数：leaderselect(ski,ci,c)，sortition(ski,seed,τ,c)、leadercounter(ci,hi,p)。其中ci是节点vi拥有的代币数量，c是所有节点拥有的代币数量总和，seed是随机种子，hi是节点vi哈希值，πi是节点vi的哈希值证明。vrf以私钥和随机种子作为输入，输出hi和πi。
12、每个竞争者拥有一定数量的代币，在系统选择过程中，代币服从二项分布。每个代币被选择的概率为p＝τ/c，其中τ是系统期望选择的代币数量。然后计算得到每个节点不同数量代币被选中的cdf。cdf具有有界性，即对于所有实数x，都有0≤f(x)≤1，其中f(x)是本地设备损失函数。所述模型将区间[0,1]划分为(c+1)个区间，每个区间长度为，如果hi/l满足
13、
14、其中，ri是节点的优先级，这里的ri＝0，或者满足
15、
16、其中，这里的ri＞0,ri∈{1,...,ci}，说明该节点有多少代币被选择，这也代表了节点参与领导节点的优先级。由此可见，领导节点选举与代币数量有关，这意味着拥有更多的代币的节点将有更大的概率当选为领导节点。同时，除了系统初始化时获得的代币，系统根据节点的贡献给予代币作为奖励。竞争者通过sortition(ski,seed,τ,c)函数计算得出(hi,πi,ri)，广播至网络中，同时也接收来自其他竞争者的(h,π,r)。然后，竞争者将执行verifyvrf(pk,hj,πj,seed)函数，验证通过的(hj,πj,rj)添加至列表li中。最后，列表li中优先级最大的节点成为领导节点，负责引导和组织共识。
17、本地设备采用采用随机下降法对模型进行训练，本地设备可以通过区块链中的全局模型参数计算得到局部梯度；步骤3具体包括如下：
18、在第t轮中，本地设备通过区块链中的全局模型参数wi(t-1)，计算得到局部梯度，即
19、
20、为了保障节点的数据隐私，在交流共享梯度之前，加入高斯噪声以扰动梯度，即
21、
22、其中，c＝δ2g(t)，ε是差分隐私预算，δ是允许严格违背差分隐私的概率，一般是小常数。vi将扰动梯度gi(t)广播至区块链网络中，邻居节点进一步验证和更新本地梯度列表。
23、步骤4具体包括如下：
24、本地设备在区块链网络中接收到的共享梯度后，领导节点在pre-prepare阶段通过一个确定性算法计算聚合梯度，即
25、w(t)＝γ(g1(t),g2(t),...,gn(t))
26、其中，γ是multi-krum梯度聚合规则，它以自己的真实梯度和其它共识节点的扰动梯度作为输入，输出一个聚合梯度。在所述模型中，存在f个拜占庭节点本文档来自技高网...
【技术保护点】
1.一种基于区块链的车联网联邦学习隐私保护方法，其特征在于，包括以下具体步骤：
2.如权利要求1所述的一种基于区块链的车联网联邦学习隐私保护方法，其特征在于，设计一个基于区块链的车联网联邦学习模型，该模型有车辆和RSU等具有通信能力和数据采集存储能力的设备组成，所有设备需要在可信权威机构申请注册真实身份信息后，才能参与数据共享。所述参与数据共享的本地设备系统都会发放公钥pk和私钥sk，其中公钥作为参与数据共享过程的唯一身份id。公钥和身份id作为公开信息可以在网络中传输，每辆车都可以在网络传输中获取。在区块链系统运行时，系统会创建一个创世区块B0，记录了所述参与本地设备的公钥和身份id、版本号、区块高度、时间戳及当前区块的哈希值。同时，每个本地设备在加入区块链系统时，系统会发放相同数量的代币。
3.如权利要求1所述的一种基于区块链的车联网联邦学习隐私保护方法，其特征在于领导节点选取，所述领导节点选取是基于可验证随机函数(VerifiableRandomFunction，VRF)和二项分布的累积密度函数(Cumulative Distribution Fun
4.如权利要求1所述的一种基于区块链的车联网联邦学习隐私保护方法，其特征在于，采用随机下降法对本地模型进行训练，所述本地设备可以通过区块链中的全局模型参数，计算得到局部梯度为了保障节点的数据隐私，在共享局部梯度之前，加入高斯噪声以扰动梯度。
5.如权利要求1所述的一种基于区块链的车联网联邦学习隐私保护方法，其特征在于，本地设备从区块链网络中下载新区块，获得全局梯度，验证全局梯度之后更新本地模型，并从步骤2开始下一轮训练，直至模型收敛或达到最大训练轮数。
...【技术特征摘要】
1.一种基于区块链的车联网联邦学习隐私保护方法，其特征在于，包括以下具体步骤：
2.如权利要求1所述的一种基于区块链的车联网联邦学习隐私保护方法，其特征在于，设计一个基于区块链的车联网联邦学习模型，该模型有车辆和rsu等具有通信能力和数据采集存储能力的设备组成，所有设备需要在可信权威机构申请注册真实身份信息后，才能参与数据共享。所述参与数据共享的本地设备系统都会发放公钥pk和私钥sk，其中公钥作为参与数据共享过程的唯一身份id。公钥和身份id作为公开信息可以在网络中传输，每辆车都可以在网络传输中获取。在区块链系统运行时，系统会创建一个创世区块b0，记录了所述参与本地设备的公钥和身份id、版本号、区块高度、时间戳及当前区块的哈希值。同时，每个本地设备在加入区块链系统时，系统会发放相同数量的代币。
3.如权利要求1所述的一种基于区块链的车联网联邦学习隐私保护方法，其特征在于领导节点选取，所述领导节点选取是基于可...
【专利技术属性】
技术研发人员：苏昭宇，李春海，杨本昌，龙艳，陈欣源，申昀辉，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。