FL-APGC：一种面向车联网隐私保护的联邦学习与自适应梯度压缩方法

《Knowledge-Based Systems》：FL-APGC: A federated learning and adaptive gradient compression method for privacy protection in internet of vehicles

　　- 构建自适应车辆分区机制以适应高动态的车联网拓扑。- 使用 Multi-Krum 算法抵御恶意车辆发起的投毒攻击。- 采用动态分配隐私预算来平衡数据隐私与模型收敛精度。- 设计动态阈值驱动的自适应梯度压缩以减少车联网通信开销。## 引言随着车联网（IoV）技术的快速发展，车载智能终端持续产生大量关键数据，包括车辆轨迹和交通状态，这些数据为人工智能驱动的应用提供了重要的数据支持，包括交通流量预测和碰撞预警 [1]。然而，车联网仍面临多项关键挑战，例如通信开销过大、数据传输过程中的隐私泄露，以及恶意节点发起的投毒攻击。联邦学习（FL）[2] 作为一种分布式机器学习框架，使参与者能够在本地计算模型更新，并将更新发送至中心服务器进行聚合。它可以在不暴露原始数据的情况下协同训练高质量的全球模型，满足车联网的隐私要求，因此引发了显著的研究兴趣。车辆节点配备了丰富的感知和通信能力，使其能够灵活参与联邦学习任务。尽管联邦学习在一定程度上可以保护数据隐私，但在车联网场景下仍存在几个核心问题。首先，联邦学习无法为参与者数据提供严格的隐私保障 [3]——聚合服务器可以通过梯度更新推断出敏感信息。虽然差分隐私（DP）[4] 通过添加噪声来保护隐私，但过多的噪声会降低模型效用，且大多数研究忽略了通过优化 DP 来提升联邦学习性能的潜力 [5]。其次，一些恶意车辆倾向于通过投毒攻击篡改梯度，从而影响全局模型的精度。第三，集中式聚合服务器面临单点故障风险，无法满足车联网严格的实时和持续训练要求。第四，大规模联邦学习训练中的梯度传输消耗大量带宽，且固定的梯度压缩方法无法适应动态的车联网拓扑，导致通信瓶颈和模型精度损失 [6]。为了解决这些问题，本研究提出了一种面向车联网隐私保护的自适应梯度压缩联邦学习方法（FL-APGC），该方法专门解决了三个核心问题：集中式服务器的单点故障以及恶意梯度检测缺失、隐私保护与模型效用之间的权衡，以及固定梯度压缩方法适应性差的问题。本文的主要贡献如下：1. 设计了与区块链集成的分片联邦学习框架以避免单点故障。构建了自适应车辆分片机制以适应动态拓扑，并引入 Multi-Krum 算法来丢弃恶意节点的异常更新，从而抵御投毒攻击。2. 提出了一种自适应 DP 机制，动态分配隐私预算，并结合梯度裁剪与噪声注入来平衡隐私保护与模型收敛精度。3. 提出了一种动态阈值驱动的自适应梯度压缩策略，以减少通信开销并适应车联网动态带宽条件。## 章节摘要### 基于区块链的联邦学习现有研究已将区块链与联邦学习集成以提升车联网的可靠性。Liu 等人 [7] 提出了一种模型质量驱动的信任计算机制来评估路侧单元（RSU）的可靠性，但忽略了客户端的投毒攻击。Chen 等人 [8] 设计了一种将知识证明（PoK）与 PBFT 集成的共识机制以适应动态的车联网环境。Zhai 等人 [9] 提出了一种云-边-车层级分片区块链隐私保护机制来减少……### 联邦学习联邦学习是一种分布式机器学习框架，其核心特征是多个参与者可以在不共享其本地原始私有数据的情况下协同完成全局共享模型的训练过程。每个参与者在自己的本地数据集上独立进行模型训练，并生成相应的模型更新信息。指定的聚合节点收到这些模型更新后，将其聚合为统一的全局模型。全局模型随后……### FL-APGC 方法本节对 FL-APGC 方法进行详细描述，本节使用的符号如表 1 所示。### 实验环境与数据集实验在配备 Intel Core i7-10750H CPU 和 NVIDIA GeForce GTX 1650 Ti GPU 的硬件平台上进行。使用 PyTorch 1.1.0 和 CUDA 11.3 构建了分布式训练环境。采用卷积神经网络（CNN）作为基础模型，包含 3 个卷积层、4 个全连接隐藏层和 1 个输出层，所有隐藏层均采用 ReLU 激活函数。使用 SGD 作为优化器，采用交叉熵作为损失函数……### 结论现有面向车联网的联邦学习方案存在集中式服务器单点故障、易受投毒攻击、隐私泄露以及固定压缩策略在动态拓扑下僵化等问题。为了解决这些问题，本文提出了 FL-APGC 方法。该方法基于区块链共识机制将聚合服务器重构为动态逻辑单元以规避单点故障，并引入 Multi-Krum 算法来……### CRediT 作者贡献声明**沈子豪：** 撰写——审阅与编辑、监督、项目管理、方法论、获取资金。 **李梦琪：** 撰写——初稿、资源、调查、数据管理。 **王辉：** 方法论、获取资金、形式化分析、概念化。 **刘培谦：** 可视化、验证、软件、调查。## 利益冲突声明作者声明不存在已知的相互竞争的财务利益或个人关系可能影响本文所报告的工作。