BFLP:一种自适应联合学习框架网络的车辆

文摘

互联网的应用的车辆(IoV)使人类的生活更加智能和方便。然而,在现在,在IoV存在一些问题,如数据仓库和糟糕的隐私保护。在IoV应对的挑战,我们提出一个blockchain-based联合学习池(BFLP)框架。BFLP允许模型训练没有共享原始数据,它可以选择最合适的联合学习法根据实际的应用场景。考虑到车辆系统计算能力差,我们构造一个轻量级加密算法叫做中国共产党保护隐私。验证拟议的框架,在避障和交通预测场景中我们进行了实验。结果表明,该框架可以有效地保护用户的隐私,这是更稳定和高效的相比,传统的机器学习技术。同时,我们比较中国共产党与其他加密算法的算法。和计算结果表明,其成本低得多,其他的对称加密算法。

1。介绍

互联网的车辆(IoV)是一种新型的产业的深度集成汽车、电子、信息通信、交通和交通管理。作为一个必要的技术手段实现智能交通系统和自动驾驶,IoV的核心技术是解决当前交通问题。在IoV,车载单元之间的数据交换(酸),路边单元(RSU),和移动网络使车辆和所有系统之间的信息共享。例如,在vehicle-to-vehicle (V2V)通信1),这是一个物联网应用,功能上运行我们的传感器节点可以每个车辆和车载系统的一部分功能运行在基站可以运行在路边设备。这样,当地的交通部门可以准确、全面掌握实时的交通信息进行智能分析和决策。和当前的决策信息反馈给每辆车交通事故应急预警和路径规划2]。IoV和服务能力的发展催生了许多应用,如驾驶安全应用,交通效率的应用程序,和娱乐应用。目前,世界各国正在积极研究IoV并给予大力支持的相关技术的发展。2016年,美国运输部正式公布联邦机动车安全标准150号(150号FMVSS),强制要求所有轻型汽车安装车辆通信设备,以确保车辆之间的安全信息的实时传输。2018年,全球统一的标准化汽车网络通信标准LTE-V2X完成后,由国际标准组织制定3 gpp。2020年,中国的国家标准体系IoV完成。IoV的应用,汽车可以获得更多的信息比一个车辆,具有重要意义,提高交通效率,减少交通事故的发生率,提高交通管理。

数据的传输和共享IoV带来巨大的价值,但是如果数据泄露在传输的过程中,存储和共享,它可能导致严重的用户和社会风险。与服务器相比,车载系统的计算能力通常是贫穷的,所以可能有漏洞在各种安全保护措施。由于工作机制IoV,车辆需要定期与其他车辆和RSU BSM消息交换。BSM消息通常以广播形式发送没有加密的过程,使每个节点在IoV[隐私泄露风险3]。数据的收集和分析可以帮助交通部门做出更好的决策,但它可能会导致用户隐私问题。研究表明,在物理空间和虚拟空间活动可以相互影响4]。自2015年以来已经有几个IoV安全事故。车辆被攻击者远程入侵,因为宝马connected drive系统的脆弱性,将安全风险的200万多万辆汽车被黑客攻击。2017年,日产宣布其汽车融资部门的数据库被入侵,多达1.13亿个客户的个人信息被黑客攻击。2020年,特斯拉被暴露于iBeacon隐私泄露,车主的隐私造成了极大的痛苦。

解决困境的数据仓库和数据隐私,谷歌和WeBank提出了不同联合学习(FL)算法框架。在联合学习,参与者的数据保存在本地,没有披露隐私,和参与者一起建立联邦模型和福利(5]。与传统机器学习相比,节点联合学习不稳定和高度自治。高速车辆可以移动,经常和驱动,在任何时候,和车辆的密度变化很大在不同的时空场景。因此,我们可以应用联合学习IoV。通过联合学习,每辆车可以共同训练机器学习模型没有交换本地数据(6]。

解决一系列IoV环境中的安全问题,我们提出一个blockchain-based联合学习池(BFLP)框架和集成一个轻量级加密算法。在这个框架中,我们结合区块链和联合学习保护用户的数据隐私。考虑车辆系统的计算能力差,我们使用一个轻量级加密算法加密用户的数据,以确保安全,当汽车共享信息。同时,我们建立一个联合学习池模块(一种适应性学习模式),这样服务器可以选择相应的联合学习法自动根据不同数据源的分布特征。通过BFLP,用户的数据隐私模型不仅可以更好的保护,还可以更好的训练。本文主要贡献如下:(我)我们提出了一个联合学习池(FLP)模块训练模型,也可以选择最合适的联合学习法根据目前的应用场景。(2)我们构建一个轻量级算法叫做中国共产党对车辆系统加密用户的数据。(3)我们使用区块链的底层框架来促进用户的信息的共享和存储,确保数据传输的可靠性,保护用户的隐私。

本文的其余部分组织如下。节2,我们将介绍我们的相关工作。节3,我们将详细介绍我们的隐私保护模型。节4通过实验,我们验证拟议的框架并讨论实验结果和我们的安全框架。最后,部分5本文总结并讨论未来的工作。

2。相关工作

2.1。联合学习

AlphaGo的巨大成功在2016年向我们展示了人工智能(AI)的巨大潜力。虽然人工智能具有较高的商业价值,但现实是令人失望的。AI取决于许多领域的数据训练,但在现实中,由于行业竞争,隐私安全,以及其他问题,数据的形式存在于数据仓库。相反,数据安全和隐私近年来受到前所未有的关注。中国实现了网络安全法律的中华人民共和国2017年,和欧盟正式在2018年实现了通用数据保护柱。为了解决数据仓库和隐私保护,联合创建学习。图1显示了传统FL模型。在联合学习,每个节点共同火车模型的协调下服务器,和训练数据是存储在本地没有与他人分享。

与传统的机器学习相比,联合学习不需要收集所有的数据但也有类似的造型效果,大大降低了机器学习的隐私风险和成本。联合学习应用在许多领域隐私保护。在[7],燕等人联合学习应用于变异源分散的知觉学习医学图像数据和建造小型医学影像数据集不同机构的大型医学图像数据集。康等人联合学习模块集成到移动网络,使移动设备来训练和共享模型没有泄露他们的本地数据8]。Niknam等人联合学习无线通信应用于保护隐私(9]。

对不同的数据集,杨et al。5)联合学习分为水平联合学习,垂直联合学习,和联邦转移学习,丰富了联合学习的范围。频繁搬家车辆节点的特性使它非常适合联合学习,和许多研究人员应用联合学习IoV。陆等人联合学习应用于车辆网络物理系统来保护数据隐私(10]。随着联邦的出现学习,可以进一步保护用户的隐私,而机器学习。Pokhrel和崔提出一个自治blockchain-based联合学习(BFL)设计传感隐私和高效的车载网络(11]。Elbir和Sinem联合学习应用于车辆网络开发一个智能交通系统(12]。联合学习可以使个人训练数据时保持本地一起建立一个模型,大大降低了用户的隐私泄漏的可能性。

2.2。同态加密

同态加密(他)是一种特殊的加密算法基于数学问题的计算复杂性理论,它允许没有私钥加密数据的处理。除了基本的加密操作,同态加密的最大特点是,它允许将密文直接与通用加密算法相比,计算结果相同直接计算解密后的明文。因此,同态加密有更高的安全。早在1978年,Ron Rivest和伦纳德Adleman提出了同态加密的概念。同态加密可以使操作满足加法同态和乘法同态,它分为有些同态加密和完全同态加密(FHE)。尼尔提出的椭圆曲线密码(ECC) Koblitz和维克多·米勒在1985年是一个局部同态加密算法满足加法同态。著名的RSA算法也是一种局部同态加密算法满足乘法同态。2009年,克雷格•绅士从斯坦福大学博士生,建造了一个完全同态加密方案基于理想的晶格,这标志着同态加密技术的突破。

因为更高的安全的同态加密的特点,许多学者应用物联网(物联网),生物认证,区块链,对隐私保护等领域。Zouari rrafshi和同态加密应用于物联网,实现多个节点的有效组合的信息安全(13]。萨勒姆等人应用同态加密生物识别,提高了安全的生物认证(14]。此外,同态加密也可以提供隐私保护的一种方法,在区块链,她等人将同态加密算法集成到区块链并应用到智能家居系统来保护用户的隐私15]。梁提出了一个基于同态加密电路版权保护区块链,可有效解决电路版权交易的安全问题(16]。

同态加密提供了一种新的隐私保护方法(17]。它可以单独所有权和处理数据的权利,直接计算出密文,和任何参与者的原始数据不会泄露。这使得可以保护用户的隐私。

2.3。区块链

区块链最初是由研究人员透露,1991年目标将时间戳添加到数字文件,这样就可以跟踪或不能被篡改。2009年,Nakamoto区块链应用于比特币的管理金融体系第一次。区块链的核心是分布式的,分散的,智能的合同,和共识机制。此外,典型区块链方案也有可靠的数据库的特征,detrust,贸易quasi-anonymity和开源编程,我们可以跟踪数据安全存储在块和透明的。2017年,沃尔玛、IBM和JD.com启动一个区块链食品安全项目在中国叫做联盟。马士基和IBM推出TradeLens支持信息共享,促进有效的和安全的全球贸易。区块链也可以用于电子投票、版权保护和医学领域。

区块链有一个更高的安全,它创造性地使用哈希计算,证明工作,和分布式存储篡改块几乎不可能。目前,研究人员利用区块链解决互联网的隐私保护的问题车辆。在[18),Pokhrel和崔区块链和联合应用学习autodriving保护用户的隐私,用区块链激励机制奖励职工节点执行联合学习更好地鼓励他们参与联合学习更积极。达斯等人区块链应用于汽车防盗,确保车辆安全通过智能合同和主人的隐私(19]。在[20.),Rawat区块链V2X通信应用于保护数据隐私。刘等人提出了一个基于区块链和智能电动汽车电力交易模型的合同(21]。

的信息记录在区块链终身责任制的特点。一旦完成,它是非常困难的篡改和删除。因为这个终身责任制的威慑力量,商业合作,社会行为,和信誉将会大大提高。这将是很大的帮助来提高我们未来的信用体系的建设,甚至人类文明的进步。最后,区块链技术确保各方协作看到相同的信息系统,为建设奠定了良好的基础更广泛的社会合作在未来。

3所示。隐私保护模型和算法

在当前应用IoV, V-C2X MEC技术使车辆,人,和路边单元共享信息。它实现实时交通信息的互动极大地方便我们的生活,但是IoV的隐私保护是目前没有足够的关注。联合学习可以解决这一问题的出现在应用程序的车辆在现阶段的互联网。它不仅解决了数据仓库的问题,也保证了用户的隐私安全。在IoV解决隐私问题,我们提出一个blockchain-based联合学习池框架(22- - - - - -26]。

如图2,我们的框架由联邦学习池,适应性学习模式和区块链。我们使用区块链的底层框架来保证数据传输的可靠性。区块链中的所有参数上传到服务器通过基站和RSU。每个自适应学习模型可以自动选择最合适的联合学习法根据数据源的特征联合的过程中学习。V2V,车辆节点配备共产党轻量级加密算法,以确保用户的隐私和安全,共享信息。与此同时,利用同态加密算法式C2V是进一步确保安全。最后,全球区块链模型是建立在服务器有多个联邦模型。

3.1。联合学习池

鉴于IoV的复杂性,这是一个非常困难的问题选择使用哪个联合学习法。然而,如果服务器可以独立分析数据源的分布特征,并自动选择相应的联合学习法,这个问题将变得非常简单。因此,我们建议联合学习池的概念,这是一种自适应联合学习模块进行联合服务器和可以选择最合适的学习方法根据数据源的特点。在隔爆,根据实际应用场景,一些设计标准如分散或集中薄弱,节能、和安全选择故意,和一些强弱选择原则,以提高系统的效率(27,28]。有三个联合学习方法(横向联合学习、纵向联合学习,和联邦转移学习)在我们的方案中,和最合适的学习方法将选择根据实际应用场景,保护用户的隐私。

3.1.1。横向联合学习

IoV,每辆车是一个收藏家的信息,和所有的实时交通信息收集是构建全局模型不可缺少的一部分。车辆之间的信息交互使司机获得更多的信息,但与此同时,用户的数据隐私泄露。在这个模型中,我们使车辆在区块链作为服务器客户端和服务器节点。车辆从区块链,进行本地下载参数模型训练和本地数据。训练后,更新后的参数由共产党轻量级加密算法返回到区块链。在这个进步,基站和RSU总车辆返回的参数共享服务器的工作。

在此方法中,目标函数的有限和用 ,在哪里 和车辆的数据参数。

我们把 ;也就是说,预测的损失的例子 由车辆的数据参数 。我们假设有K汽车客户,在车辆端本地数据的集合k, 。然后,我们可以把目标函数

从上面的定义,我们可以知道,总损失函数的加权平均每辆车的地方损失客户端和样本的数量。在每一轮的沟通,将会有一批梯度计算,通过多次迭代计算效率建立一个更好的模型。每次迭代的方法如下(_t代表了一轮迭代)。

汽车客户执行如下:

也就是说,当地的平均梯度数据与当前模型参数 。

基站聚合物梯度: 在哪里 和代表了机器学习的效率。

等效的方法更新:

汽车客户向基站发送参数通过几轮的更新,然后,基站计算这些参数的加权平均值。

算法1和2显示的细节水平联合学习。

3.1.2。垂直联合学习

IoV的驾驶员辅助系统可以提供一系列支持司机开车时,包括车道保持辅助,autoparking援助,刹车辅助、和自动驾驶。这些系统改善驾驶体验,甚至在一些危险的情况下避免灾难。然而,大多数制造商的驾驶员辅助系统更加依赖他们的传感器,照相机,和算法。这种方法也可以火车模型,但该模型缺乏一些重要的数据并不完美。因此,我们应用垂直联合学习一些复杂的路况或易出事故的地区。汽车传感器收集的数据在同一地区不一样的数据由交通部在特性和参数。车辆和交通主管部门使用两个数据集的数据与不同的特征来训练当地的模型,然后将参数发送到基站和RSU服务器进行梯度聚合。最后,更新后的参数发送到服务器的区块链构建联合模型。

数据集由车辆和交通部门不同,我们假设数据所有者参与建筑模型 。假设数据所有者协同训练基于机器学习模型 数据样本和特征向量 分布在聚会, ,在哪里特征尺寸吗 。不失一般性,我们假设数据标签。我们表示每个部分的数据集 ,为 , ,和 ,在哪里表示一组 。然后,可以描述为垂直的学习模式 在哪里 表示的训练参数tth聚会, , 和表示损失函数和调整是阈值。在这种情况下,损失函数可以描述如下:

的目标是找到它的没有共享数据集或参数其他各方。

然后,我们描述服务器更新参数的方式。如果一个minibatch 数据抽样,随机梯度是由

对于任意的损失函数,让 ,和计算损失函数所需的信息集合 被定义为 在哪里是一个函数总结所需的信息表单数据所有者来 。

根据上面的描述,可以计算随机梯度(7),

在每个迭代中服务器的,下面的公式是用于更新的特征维度th数据党(是学习速率):

因为是中间的信息在最近的同步,这可能包含不新鲜信息可能不再是真正的局部梯度的无偏估计。另一方面,在当地的更新,不需要interparty沟通。在同样的精神,连续版本的算法允许双方更新他们的地方按顺序,而每次更新包括当地没有interparty沟通更新。

算法3显示垂直联合学习的细节。

3.1.3。联邦转移学习

联邦转移学习适合学习从不同的功能空间不同的数据集。它迁移的特点不同的功能空间相同的潜在表现和火车模型的标签贴上收集的数据不同的政党。我们的目标是使用联合传输学习解决缺乏数据和标签的问题,保护隐私。它不仅可以应用到两个样本空间也是两个不同的数据集。联邦转移学习选择重叠的数据,然后进行样本对齐,这是有利于好的部分标签数据建立一个改进模型。基于这个模型,其他各方预测样本的缺乏特点和修改模型。

IoV,车辆和采集的数据的分布数据由交通部满足上述条件。数据收集的车辆往往是在某一地区路况,和数据由交通部除了包含其他数据。如果发生泄漏的数据交互的过程中双方的培训模式,这将导致非常严重的问题。根据汽车数据集的分布特征和交通部门,我们选择联合学习转移到构建一个模型,保护隐私。

让我们表示数据源的车辆V、数据源的交通工具T、服务器的RSU Server-RSU,服务器在区块链Server-BC。首先,隐藏的神经网络V和T建立了一个端到端的解决方案。我们初始化参数传入V和T并使用一个预测函数标记目标域和之间的对齐损失最小化V和t .因此,我们可以表达Server-RSU的更新功能。我们也可以计算出梯度传递给更新V和TServer-RSU扩散的更新和优化现有的数据模型V和T。以满足联合传输的安全和隐私需求学习,应确保原始数据V和T是隐藏的。我们使用完全同态加密方法来保护隐私。V和T将生成的公钥和加密的参数需要在每个数据通过聚会。同时,私钥用于解密本地获取培训信息上传到Server-BC。算法中使用的符号4表中列出1。

3.2。联合学习模型

在本节中,我们将描述的细节我们的轻量级加密算法和自适应学习模型。

3.2.1之上。中国共产党轻量级加密算法

虽然联邦学习带来了许多公共价值观(如保护隐私和破坏数据仓库),它仍然有一些弊端。在联合学习,虽然用户的数据不要离开的设备,只有参数模型和梯度返回的用户传播通道,这些梯度几乎把所有的信息用户的数据,我们可以推断出用户的信息通过逆向工程和其他方法。在联合学习,服务器和工人可以重复获得每次迭代后的模型参数,这意味着它很容易推断出用户的数据联合学习。因此,基于Feistel密码结构(29日),我们提出一种新的轻量级加密算法叫做中国共产党。中国共产党轻量级加密算法加密轮较少,简单的转换,和更有效的替代。考虑到车辆系统的表现不佳,减少车辆节点的加密成本,该算法只执行八轮加密,输入是256位的明文和256位的主密钥。图3显示了我们的加密算法的过程。我们把明文分成四子块并使用主密钥导出注册表子项,然后,四个新子群在每一轮的转换输出。

(1)主密钥的生成。加密消息,每个传感器节点生成一个加密密钥 ,这是它与基站共享。在本节中,我们提出这个密钥的生成过程中,中国共产党将用于加密过程。表2显示了密钥生成过程中使用的参数。

在部署之前,基站predistributes一串钥匙中的每个传感器节点网络。我们的非对称密钥是基于椭圆曲线密码(ECC)算法。这个密码已经证明,它提供了一个更安全的共享密钥,保证同等水平,甚至更安全,比其他不对称系统。基站开始创建一个非对称密钥对网络中的每个节点所特有的。例如,一个节点会有一双独特的公私密钥 。 选择在间隔吗 ,在哪里米ECC的参数。被认为是节点的私钥吗 。的公钥通过以下标量乘法: 在哪里 曲线上的点。

每个传感器节点存储公钥和私钥,身份标识,和公共密钥基站: 。基站存储公钥和私钥 和所有的公共密钥不同的传感器网络中。

部署传感器后,每个节点必须创建一个主密钥在加密过程中加密消息。我们主要的加密密钥由256位,其中包含两个组件(图4)。第一个组件由第一个组件(128位)的ECC密码算法的输出。第二个组件是一个64位的ID(节点标识符)。当这些组件生成的,结合ID来生成一个256位的主密钥通过SM3。

在初始部署完成后,进行身份认证和密钥分发阶段。我们打算使用前预先指定的非对称密钥部署的节点之间共享的关键每个传感器节点和基站。在密钥生成的过程中,我们使用diffie - hellman机制(30.]。主要的思想是,每个节点在网络可以创建一个共享密钥通过使用ECC的参数没有与基站进行交互,这意味着没有消息交换。的生成过程如下。

基站(BS)计算一个临时的关键 :

节点计算一个临时的关键:

根据diffie - hellman机制,

结合然后ID和散列合并后的结果通过使用SM3(一个哈希函数)来生成加密密钥(输出256位):

最后,节点_N将其主要的加密密钥基站的安全消息包含身份验证:

这些过程后,将存储在内存的传感器节点。与256位的长度,攻击者不能算出这个键在加密过程中保密。

(2)注册表子项的一代。我们使用主键计算八个注册表子项 ,使用的是哪一个我一轮加密。在注册表子项的生成过程,我们设计一些计算,以确保不同的注册表子项有不同的特征,当面对一个特定的攻击。在初始化阶段,我们把256位的主密钥到8等长32位块 。每个注册表子项的生成是基于不同的主密钥块和不同的异函数,函数用于反向不同位置的 。生成不同的注册表子项的细节给出了算法5。

(3)加密方面的进步。每一轮的内容加密的过程如图5。每一轮包含四种不同的操作: ,函数 ,函数 ,和置换操作。128位的明文米分为四个32位块。四个新序列生成在每一轮,然后开始下一轮加密。

算法6显示的详细信息加密。

最后,三个街区 替换更新的顺序加密的文本块。算法7显示了置换函数加密的过程中。

最后第八轮加密,生成的密文C定义如下:

(4)解密的进展。当基站接收到密文与身份验证消息发送的节点,分开,然后开始解密的过程,它将使用共享密钥对密文进行解密得到明文。解密的过程如图6。

Feistel密码体制的加密解密是一个逆过程。它使用相同的功能和参数的过程中加密。之间没有本质区别加密和解密运算,但使用注册表子项序列的顺序是相反的。我们假设的顺序块加密的过程中,和图7显示了每一轮的解密过程的主要步骤。

置换函数过程中解密算法所示8。

明文的定义如下:

解密算法所示的过程9。

3.2.2。自适应模型

在我们联合学习框架,有三个自适应学习模型,V2V, V2A,和C2A数据源的特点和场景。和服务器在3区块链模型是所有的服务器。在我们的模型中,适应主要反映在两个方面。一方面,系统允许不同的联合学习方法来满足不同应用需求的场景。用户可以通过一些api指定初始学习机制。另一方面,系统支持联邦的升级随时学习方法实现热联合学习机制的升级:(1)V2V在这个模型中,我们使车辆工作节点。与此同时,我们应用中共轻量级加密算法对车辆系统。步骤1:车辆从区块链下载参数和本地数据进行训练。步骤2:培训完成时,梯度通过中共加密算法和加密返回基站和RSU服务器。步骤3:基站和RSU服务器进行梯度聚合和上传更新后的参数。步骤4:区块链中的服务器选择横向联合学习建立一个模型通过隔爆模块根据数据源的分布特征。(2)C2A在这个模型中,我们使汽车公司和运输部门工作节点。步骤1:汽车公司和运输部门从区块链下载参数和本地数据进行培训。步骤2:培训完成时,梯度返回到基站和RSU服务器。步骤3:基站和RSU服务器进行梯度聚合和上传更新后的参数。步骤4:区块链中的服务器选择垂直联合学习建立一个模型通过隔爆模块根据数据源的分布特征。(3)V2A在这个模型中,我们做汽车和交通部门的工作节点。与此同时,我们将完全同态加密算法应用于保护隐私而交通部门共享数据。步骤1:车辆和交通主管部门从区块链下载参数和本地数据进行培训。步骤2:当训练完成后,交通部的梯度由FHE加密,返回到基站和RSU服务器。步骤3:基站和RSU服务器进行梯度运输部和车辆的聚合和上传更新后的参数。步骤4:区块链中的服务器选择联合学习转移到构建一个模型通过隔爆模块根据数据源的分布特征。

最后,全局模型是建立在与多个联邦区块链模型。

4所示。实验和分析

在本节中,我们将讨论我们的安全模型和分析模拟实验的结果。我们测试和比较中国共产党轻量级的性能效率和存储成本与其他加密算法加密算法,分析了隔爆模块的优势相比传统的分布式机器学习基于逻辑回归模型在模拟环境中IoV。我们也使用卡尺来测试我们的系统的性能。最后,我们分析了我们提出的安全和隐私框架从潜在攻击的角度。细节如下。

在我们的实验中,我们使用TOSSIM模拟器用于无线传感器网络(网络)31日建立汽车sensor-base站模型。衡量中国共产党和其他加密算法的执行时间,我们测试了多种加密算法在TinyOS17系统通过许多实验,包括共产党、茶(32],XTEA [33)和AES (34),这些都是新提出的算法和用于资源缺乏嵌入式设备或移动设备。Novelan等人给了加密算法的实现茶。茶采用一个简化的加扰功能和短数据包,可以大大降低成本的解密和加密。然而,它代表了一个贫穷的关键敏捷(从生成的时间开始加密/导入一个新的关键是可以忽略不计),增加网关节点的负担。XTEA茶的最新变化,这是一个基于ECC加密算法和一个128位的密钥,64位块和64发子弹Feistel结构。ECC的帮助下,XTEA大大提高网络生命周期,但内存大小仍然是该算法的一个巨大的挑战。与原算法相比,AES密钥的存储节点内存减少了使用主键建立的关键。但抵抗攻击很低,因为万能钥匙可以在任何时候妥协,和不同的密钥建立在部署后使用这个密钥可以妥协。

是极为重要的关键应用在传感器网络安全机制确保认证和机密性。然而,这种类型的最优安全网络由于节点资源的限制尤为困难。因此,我们将它与上述算法通过实验来测试我们的算法。比较,两个关键参数选择:性能效率和存储成本。然后,我们使用了火花分析平台模拟IoV环境和数据做了分析和预测。具体的实验环境如表所示3。

首先,我们测量了共产党的性能效率的算法。因为解密加密时间时间是一样的,我们只测量了加密的执行时间。我们使用上面的加密算法加密50次,记录执行时间通过不同长度的车辆传感器数据明文。图8显示的四个不同的明文加密算法。

如图8,中共算法加密时间需要缩短与其他测试算法。我们可以得出结论,中国共产党所提供的执行时间比其他算法要快得多。这是由于使用简单的数学XOR,匆忙的功能,更少的加密轮中共完成。

然后,我们测量了共产党的存储成本的算法。图9提出了比较的结果的四个算法占用内存空间。在仿真中,只有加密时间测量。

如图9、茶算法使用最长的天地盒,可以用最大长度为64位加密数据,这是目前比共产党更多次。XTEA算法需要多次共产党执行加密过程,因为它包含更多的回合。所以中共有优势的三个算法。

传感器获得的信息具有一定的局限性,因为实际驾驶的车辆是局限于时间和空间。联合学习的应用有效地提高了在IoV机器学习模型的鲁棒性。在接下来的实验中,我们比较了本文提出的模型和算法与传统分布式机器学习算法基于逻辑回归模型。分析的基础上的多个数量级IoV数据集,我们预计下周的路况。与此同时,我们测试的成功率避免障碍。测试结果如图10和11。

如数据所示10和11测试的预测路况,避免障碍,增加的输入数据集的大小,这两个算法的成功率也有所改善。和相同的数据规模,基于隔爆两个测试的成功率要高于传统的分布式机器学习算法基于逻辑回归模型,这意味着我们的模型更好的精度。

然后,我们测量的平均计算时间隔爆和传统分布式机器学习模型在两个实验中被提及。图12显示了结果。

如图12FLP,相同的数据规模,需要低大约15%时间比传统的分布式机器学习算法基于逻辑回归模型,这意味着我们的模型更好的效果。

由于大量的数据依赖和机动性,性能指标的blockchain-driven IoV网络是相当重要的,包括延迟、能源消耗、吞吐量和可伸缩性。在我们的实验中,我们使用卡尺测试性能。卡尺是一个区块链性能测试框架,目前支持测试处理交通(TPS),延迟和资源利用率。每一轮的测试后,用户可以获得一系列的井径仪测试结果和报告。

如图13在稳步增长,增加事务时间。达到峰值时,事务时间达到5000,吞吐量296.4 TPS,平均延迟时间是215.4毫秒。然后,它慢慢地开始下降时,交易时间超过5000。目前,没有国家标准区块链绩效指标,和中国的信息与通讯研究所正在积极制定。根据现有的区块链行业标准(表4),我们的系统的性能满足要求。

在网络边缘,一方面,由于计算的局限性,带宽资源,分布式网络结构的特点,一直是当前研究的重点,有效挖掘和利用多源、异构网络的分布式数据。另一方面,数据共享面临严重的隐私泄露风险。一旦数据提供商股票数据,它将失去控制的数据和面临更高的安全风险。的应用许可区块链建立一个安全的不信任政党之间的合作机制。FLP嵌入到共识协议授权区块链的过程,可以缓解一些安全风险:(我)删除集中式信任实体:传统的基于RBAC访问控制模型(35和列线图36)依赖于一个中央服务器完成权限的管理和判断,这是容易被非法泄露用户数据和文件。授权区块链取代信任集中管理服务器和连接每个参与者通过多方数据检索。提出blockchain-driven数据共享方案,不再需要集中式信任实体。我们的模型采用一个基于智能访问控制策略的合同,以确保访问效率。智能存储在区块链和无法改变合同一旦发表,一旦条件得到满足,他们将开始。因此,我们可以确保透明度和nontampering智能访问控制策略的合同,这样可以减少所造成的数据泄漏的风险集中的信任。(2)保证共享数据的质量:为了防止不诚实的数据提供者分享无效数据,基于共识机制联合学习池将验证数据模型的质量由其他数据提供者,只有合格的数据集和模型将被保留。(3)安全的数据管理:只有数据检索信息将上传到许可区块链,而真实的数据存储在本地。通过改变检索数据所有者可以控制他们的数据权限信息。与此同时,在我们的框架中,梯度联合学习模块的参数不能修改后上传。因此,没有授权的管理员,攻击者不能获得明文和修改数据。全球模型参数加密后存储在分布式文件系统,并记录每组数据的摘要信息。每个块包含时间戳和前面的块的散列值,它确保nontampering数据。我们也使用轻量级的认证和同态加密算法(37]。如果用户不泄露他们的私钥,即使从服务器返回的信息被恶意用户拦截,不能推断出含义。它有效地保护用户的隐私。

5。结论

在这篇文章中,我们创新提出一个blockchain-based联合学习池框架数据仓库和数据隐私披露IoV和设计一个轻量级加密算法叫做中国共产党结合。在我们的框架中,联合学习池模块可以选择适当的联合学习方法根据数据源的分布,使构建的模型更准确和更快。与此同时,中共轻量级加密算法的应用进一步确保安全的车辆之间的数据交互。此外,我们使区块链作为底层建立信任机制,保证了数据传输的可靠性。然后,我们做了一个实验来验证我们的框架,和结果显示我们的框架更为高效,安全,准确。

目前,我们的框架不够完美。在未来,我们将改善联邦学习池的计算效率和准确性,提高联邦联合学习池中学习方法,这样我们的模型可以适应更多的场景。中国共产党轻量级加密算法可以减少车辆系统的工作负载。然而,随着数据量的增加,成本也会上升,所以我们将主要是改善中国共产党轻量级加密算法在能源消耗和存储成本。此外,我们还将提高区块链的稳定性使BFLP更加高效、稳定。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

引用

1. h·高,c . Liu y李et al .,“V2VR:可靠hybrid-network-oriented V2V数据传输和路由考虑限制和连接概率,”IEEE智能交通系统,早期的访问,13卷,2020年。视图:出版商的网站|谷歌学术搜索
2. c .李安全机制的研究为汽车网络信息安全问题,北京交通大学,北京,中国,2019。
3. z . Liu研究数据传输的关键技术在远程信息处理和隐私保护,北京邮电大学,北京,中国,2019。
4. h·高旷l ., y, b .郭和k .窦”挖掘消费行为与移动营销应用的个性化推荐,演化”移动网络和应用程序,25卷,不。4、1233 - 1248年,2020页。视图:出版商的网站|谷歌学术搜索
5. 问:杨,y, y, y Kang t . Chen和h . Yu”联合学习”,综合课程人工智能和机器学习,13卷,不。3、1 - 207、2019页。视图:出版商的网站|谷歌学术搜索
6. h·高、w·黄和y段,“cloud-edge-based动态重新配置的服务工作流为移动电子商务环境,”ACM网上交易技术,21卷,不。1,1,2021页。视图:出版商的网站|谷歌学术搜索
7. z, j . Wicaksana杨x, z . Wang K.-T。程,“Variation-Aware联合学习多源分散的医学图像数据,”IEEE生物医学和卫生信息学杂志》上,2020年。视图:出版商的网站|谷歌学术搜索
8. j .康z, d . Niyato et al .,“激励设计高效联合在移动网络学习:契约理论的方法,”亚太无线通信学报2019年IEEE VTS研讨会(APWCS)2019年8月,页1 - 5、新加坡。视图:谷歌学术搜索
9. s . Niknam h . s . Dhillon和j·h·里德“联合学习无线通信:动机、机会和挑战,”IEEE通讯杂志,卷。58岁的没有。6,46-51,2020页。视图:出版商的网站|谷歌学术搜索
10. 戴黄y, x, y, s . Maharjan y张,“联合学习数据隐私保护在车辆cyber-physical系统中,“IEEE网络,34卷,不。3,50-56,2020页。视图:出版商的网站|谷歌学术搜索
11. s . r . Pokhrel和j·崔”,分散联合学习方法连接自动车辆”学报2020年IEEE无线通信和网络会议研讨会(WCNCW)首尔,韩国,2020年5月。视图:谷歌学术搜索
12. a . m . Elbir和c . Sinem“联合学习车辆网络”,2020年,http://arxiv.org/abs/2006.01412。视图:谷歌学术搜索
13. j . Zouari m . et al .,哈姆迪”物联网的保护隐私同态加密方案,”IEEE 2017 13日学报》国际无线通信和移动计算会议(IWCMC)瓦伦西亚,页1939 - 1944年,西班牙,2017年6月。视图:谷歌学术搜索
14. m·萨勒姆塔,和J。s元,“利用转移学习和同态加密的隐私保护和安全的生物特征识别系统,”电脑,8卷,不。1,p。2019。视图:谷歌学术搜索
15. w .她Z.-H。顾,X.-K。律,问:刘、z .田和w·刘“同态财团区块链为智能家居系统敏感数据隐私保护,”IEEE访问7卷,第62070 - 62058页,2019年。视图:出版商的网站|谷歌学术搜索
16. m·d·张x Lei Tang K.-C。李,a . Zomaya”电路版权区块链:blockchain-based同态加密的IP电路保护,”IEEE新兴主题计算,2020年。视图:谷歌学术搜索
17. p . Budhwar“TinyOS:无线传感器网络的操作系统,”美国IJCST学报》上。,8491卷,2015年。视图:谷歌学术搜索
18. s . r . Pokhrel和j . Choi”联合学习与区块链自动车辆:分析和设计挑战,”IEEE通信,卷68,不。8,4734 - 4746年,2020页。视图:谷歌学术搜索
19. d . Das、美国Banerjee和美国Biswas“安全使用区块链和智能车辆盗窃检测框架合同,”对等网络和应用程序,14卷,第686 - 672页,2021年。视图:谷歌学术搜索
20. d·b·Rawat et al .,”区块链使命名为安全vehicle-to-everything通信数据网络,”IEEE网络,34卷,不。5,2020。视图:出版商的网站|谷歌学术搜索
21. y . h . Liu, s .郑,y,“电动汽车电力交易机制基于合同区块链和智能V2G网络,”IEEE访问7卷,第160558 - 160546页,2019年。视图:出版商的网站|谷歌学术搜索
22. j . j . y . Liu Peng Kang Iliyasu et al .,“一个安全的联合学习框架5 g网络,”2020年,http://arxiv.org/abs/2005.05752。视图:谷歌学术搜索
23. x y, y Kang Zhang et al .,“沟通高效垂直联合学习框架,”2019年,http://arxiv.org/abs/1912.11187。视图:谷歌学术搜索
24. 邢y, y Kang c . et al .,“安全联合传输的学习框架,”IEEE智能系统,35卷,不。4、70 - 82年,2020页。视图:谷歌学术搜索
25. b·麦克马汉e·摩尔·d·拉梅奇et al .,“Communication-efficient学习深度网络从分散的数据,”20人工智能国际会议的程序和数据PMLR 54,页1273 - 1282年,2017年4月美国佛罗里达州劳德代尔堡。视图:谷歌学术搜索
26. t . k . Cheng粉丝,y金et al .,“Secureboost:无损的联合学习框架,”2019年,http://arxiv.org/abs/1901.08755。视图:谷歌学术搜索
27. 徐x, h .高,h . et al .,”一个IoT-based任务调度优化方案考虑云计算的期限和cost-aware科学工作流,”EURASIP无线通讯和网络》杂志上,249卷,2019年。视图:谷歌学术搜索
28. 周x, s, m .曹”的方法来缓解的稀疏问题混合基于协同过滤的推荐:用户评论的产品属性的角度来看,“移动网络和应用程序,25卷,不。2、376 - 390年,2020页。视图:出版商的网站|谷歌学术搜索
29. 大肠Biham和a·沙米尔微分DES-like密码的密码分析,“《密码学,4卷,不。1,3 - 72,1991页。视图:出版商的网站|谷歌学术搜索
30. w . Diffie和m·赫尔曼”在密码学的新方向IEEE信息理论,22卷,不。6,644 - 654年,1976页。视图:出版商的网站|谷歌学术搜索
31. j . t . m . Chen Blasco et al .,“密码学在网络,”面向任务的传感器网络和系统:艺术和科学施普林格,可汗,瑞士,2019。视图:谷歌学术搜索
32. m . Novelan a Husein, m . Harahap”短信安全系统在移动设备上使用微小的加密算法,”物理学杂志》:会议系列,卷1007,不。4,12-37,2018页。视图:出版商的网站|谷歌学术搜索
33. 美国侯特尔把我累垮,m . Zeghid和m . Machhout“轻量级加密算法基于modifed XTEA资源缺乏嵌入式设备,”21国际数据库工程和应用研讨会论文集布里斯托尔,页192 - 199年,英国,2017年7月。视图:谷歌学术搜索
34. m .熊猫”通过AES算法在无线传感器网络中,数据安全,”《IEEE 9日智能系统与控制国际会议(ISCO)哥印拜陀,页1 - 5,印度,2015年1月。视图:谷歌学术搜索
35. 赵和z么,”云计算基于RBAC访问控制模型”,计算机应用32卷,第270 - 267页,2003年。视图:谷歌学术搜索
36. e .元,j .通”,认为基于web服务访问控制(ABAC),”Proceedigns国际会议Web服务(ICWS 05)美国奥兰多、IEEE 2005年7月。视图:谷歌学术搜索
37. y Aono, t . Hayashi l . Trieu冯氏et al .,“可扩展和安全通过同态加密逻辑回归,”学报第六届ACM会议数据和应用程序的安全性和隐私新奥尔良,页142 - 144年,洛杉矶,美国,2016年3月。视图:谷歌学术搜索

版权

版权©2021 Yongqiang彭等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。