车辆算力网络中异步鲁棒联邦学习方法研究

TN915.08; 传统联邦学习的同步训练机制并不适用于动态的车辆算力网络场景,且在恶意车辆攻击的威胁下,缺乏有效的攻击检测机制.为了解决以上问题,首先,提出一种异步鲁棒联邦学习方法,通过车辆之间异步地执行联邦学习过程,在实现车辆数据隐私保护的同时,提高模型协同训练的效率.其次,有针对性地设计了模型选择方法,并提出潜在恶意模型检测方法和车辆信誉评估方法,进一步增强系统鲁棒性.然后,从概率上详细分析了所提方法的安全性,为各项参数优化提供理论基础.最后,仿真结果表明该方法能够在实现高效异步联邦学习的同时具有较好的鲁棒性....

Full description

Saved in:
Bibliographic Details
Published in物联网学报 Vol. 8; no. 4; pp. 14 - 22
Main Authors 尹宏博, 王帅, 张科, 张引
Format Journal Article
LanguageChinese
Published 电子科技大学(深圳)高等研究院,广东 深圳 518110%电子科技大学信息与通信工程学院,四川 成都 611731 2024
广东省智能机器人研究院,广东 东莞 523830
电子科技大学信息与通信工程学院,四川 成都 611731%电子科技大学信息与通信工程学院,四川 成都 611731
Subjects
异步学习
vehicle computing power network
robustness
车辆算力网络
联邦学习
asynchronous learning
鲁棒性
federated learning
Online AccessGet full text
ISSN2096-3750
DOI10.11959/j.issn.2096-3750.2024.00452

Cover

More Information
Summary:TN915.08; 传统联邦学习的同步训练机制并不适用于动态的车辆算力网络场景,且在恶意车辆攻击的威胁下,缺乏有效的攻击检测机制.为了解决以上问题,首先,提出一种异步鲁棒联邦学习方法,通过车辆之间异步地执行联邦学习过程,在实现车辆数据隐私保护的同时,提高模型协同训练的效率.其次,有针对性地设计了模型选择方法,并提出潜在恶意模型检测方法和车辆信誉评估方法,进一步增强系统鲁棒性.然后,从概率上详细分析了所提方法的安全性,为各项参数优化提供理论基础.最后,仿真结果表明该方法能够在实现高效异步联邦学习的同时具有较好的鲁棒性.
ISSN:2096-3750
DOI:10.11959/j.issn.2096-3750.2024.00452