用于城市可持续发展网络中分布式物联网的隐私保护人工智能

《ARABIAN JOURNAL FOR SCIENCE AND ENGINEERING》：Privacy-Preserving AI for Distributed IoT in Urban Sustainability Networks

隐私保护AI框架在智能城市中实现联邦学习与本地差分隐私融合，数据保留边缘设备，通过加密和噪声添加共享模型更新，FPGA硬件保障低延迟和能效，实验显示准确率仅降1.2-1.5%且抗攻击能力提升50%以上。

　　

摘要

城市可持续性系统依赖于分布式物联网（IoT）网络来实现实时监控和控制。这些网络支持能源管理、交通优化和环境监测。然而，它们收集的数据往往包含敏感的用户信息，这引发了关于隐私、安全和数据集中处理的严重担忧。现有的解决方案，如基于云的分析、加密方案和访问控制机制，已被提出用于增强物联网智能城市中的数据安全性。然而，这些方法通常依赖于中央服务器，导致较高的通信成本，并且容易受到数据泄露和单点故障的影响。在这项工作中，我们提出了一个适用于智能城市环境的隐私保护人工智能（AI）框架。该框架结合了联邦学习和局部差分隐私技术：原始数据保留在边缘设备上，只有经过加密并添加了噪声的模型更新才会被共享。我们使用基于现场可编程门阵列（FPGA）的边缘硬件来确保低延迟和能源效率。我们的框架能够在资源受限的网络中支持实时AI任务，具有可扩展性，并能适应异构设备配置。实验结果表明，在准确性、隐私保护和能源使用方面表现优异。与集中式训练相比，我们的方法减少了通信量和功耗，同时保持了模型质量。所提出的系统在准确性上仅下降了1.2%-1.5%，而成员推断攻击的成功率降低了50%以上。这些结果证实了该框架在模型性能和隐私保护之间实现了良好的平衡。这项工作证明了隐私保护AI可以在智能城市中得到实际应用。