基于联邦学习和区块链的可信 AIoT 定位系统
密码学与安全
2024-07-12 v1 人工智能
机器学习
信号处理
摘要
智能建筑中对室内定位技术有迫切需求，最有前景的解决方案是使用 RF 传感器和基于指纹的方法，通过机器学习模型在由 IoT 设备收集的众包用户数据上进行训练。然而，这在实际应用中引发了安全和隐私问题。一些研究者提出使用联邦学习来部分解决隐私问题，但仍存在安全顾虑，例如单点故障和恶意攻击。本文提出了名为 DFLoc 的框架，以考虑以下两个安全顾虑实现精准的 3D 定位任务。特别地，我们设计了一种专用区块链来通过将大多数以前工作中由中心服务器处理的任务（如模型分发和聚合）分配给所有客户端，从而去中心化该框架，以解决可靠且准确的室内定位系统的单点故障问题。此外，我们在区块链中引入了更新的模型验证机制，以缓解恶意节点攻击的 concern。实验结果证实了该框架在提供准确的 3D 位置预测方面的能力，并且在与传统中心化联邦学习系统相比，在抵抗单点故障和恶意攻击的影响方面表现出优势。
引用
@article{arxiv.2407.07921,
title = {A Trustworthy AIoT-enabled Localization System via Federated Learning and Blockchain},
author = {Junfei Wang and He Huang and Jingze Feng and Steven Wong and Lihua Xie and Jianfei Yang},
journal= {arXiv preprint arXiv:2407.07921},
year = {2024}
}