面向安全物联网的基于压缩扩散最小均方的隐私保护分布式估计

《IEEE Internet of Things Journal》：Privacy-Preserving Distributed Estimation via Compressive Diffusion LMS for Secure IoT

　　

摘要：

基于扩散最小均方（DLMS）算法的物联网（IoT）协作网内处理面临一个关键三角困境：它暴露了敏感的节点特定数据，产生了大量的通信开销，且通过差分隐私（DP）进行隐私保护往往导致显著的性能损失。本文介绍了一种压缩差分隐私 DLMS（C-DP-DLMS）算法，打破了这一僵局。我们的核心创新在于一种随机压缩算子，它发挥双重作用：在大幅减少通信负载的同时，主动缓解由 DP 噪声引起的性能下降。该算法通过在压缩扩散过程之前向本地更新注入校准噪声，保证严格的 (?,δ) -差分隐私。针对物联网目标定位的理论分析和大量模拟表明，与现有的隐私保护 DLMS 替代方案相比，我们的算法在估计精度上取得了显著改进，同时通信负载大幅降低，从而有效地解决了隐私 - 精度 - 通信三角困境，并为安全的分布式感知建立了一种实用且可扩展的解决方案。

I. 引言

传感和通信技术的不断进步正在推动物联网（IoT）以前所未有的速度扩展，数十亿个连接设备被部署在我们的环境中 [1], [2], [3]。这些设备产生持续的数据流，如果得到有效处理，可以解锁新的自动化和智能化水平，实现从协作环境跟踪到自动驾驶车辆协调的应用。然而，将所有原始数据流式传输到云端进行处理的传统方法正在显示出其局限性。对于对延迟敏感或带宽受限的应用（这在工业和远程设置中很常见），这种以云端为中心的模型的延迟和成本往往令人难以承受 [4], [5], [6]。