面向连接电动汽车电池智能的自动 Byzantine 抗性聚类去中心化联邦学习
分布式、并行与集群计算
2026-05-21 v1 机器学习
摘要
联邦学习 (FL) 已成为智能交通系统 (ITS) 中管理电动汽车 (EV) 电池数据的一个有前景的范例，使能隐私保留任务，如异常检测和容量估计。然而，大多数现有框架依赖集中聚合方案，在安全和信任方面存在关键局限。为解决这些挑战，我们提出了 ABC-DFL，一个用于连接 EV 的自动 Byzantine 抗性聚类去中心化联邦学习 (C-DFL) 框架。提议的激励驱动 C-DFL 系统用开放许可区块链取代中心服务器， featuring 一种新的动态 Quorum Byzantine Fault Tolerance (QBFT) 协议和基于 oracle 的聚合层，以增强信任、安全和自动化。在 ABC-DFL 的核心位于 FLECA (Filtered Layered Enhanced Clustering Aggregation)，一种稳健的分层聚合协议，通过让每个 EV 基于其参考模型更新与其偏差的自适应阈值来过滤恶意更新，以抵御 Byzantine 攻击。负责 inter-group 聚合的 oracle 节点采用稳健聚类来隔离和汇聚来自可信 EV 组的模型更新。综合的实验评估表明，FLECA 在良好条件下匹配 FedProx 收敛，并在自适应对抗情景下显著优于现有防御措施，攻击影响分数低于 0.10。此外，针对多任务模型的几项学习实验确认了激励机制的有效性和公平性。最后，链上和链下基准验证了 ABC-DFL 的实际可行性。
关键词
引用
@article{arxiv.2605.21115,
title = {Automated Byzantine-Resilient Clustered Decentralized Federated Learning for Battery Intelligence in Connected EVs},
author = {Mouhamed Amine Bouchiha and Abdelaziz Amara Korba and Yacine Ghamri-Doudane},
journal= {arXiv preprint arXiv:2605.21115},
year = {2026}
}
备注
16 pages, 11 figures, under review for IEEE T-ITS