面向车载网络的区块链赋能联邦学习方法
机器学习
2023-11-14 v1
摘要
互联车辆的数据可能包含位置、驾驶行为、个人身份标识等敏感信息。若无适当防护，共享此类数据会危及数据隐私与系统安全。这些系统中当前的集中式数据共享范式尤其引发数据隐私担忧。认识到这些挑战，技术中向去中心化交互的转向（如 Industry 5.0 原则所呼应）变得至关重要。本工作与这些原则紧密契合，强调互联车辆生态系统中去中心化、以人为中心和安全的科技交互。为体现这一点，我们提出一种实用方法，融合两种新兴技术：联邦学习（FL）与区块链。这些技术的集成实现了去中心化车载网络的构建。在此环境中，车辆可相互学习而不泄露隐私，同时确保数据完整性与可追溯性。初步实验表明，相比传统去中心化联邦学习技术，我们提出的方法显著提升了车载网络的性能与安全性。系统准确率为 91.92%。尽管与最先进（SOTA）联邦学习模型相比看似偏低，但我们的工作值得关注，因为不同于其他工作，它是在恶意车辆环境下实现的。尽管环境严峻，我们的方法仍保持高准确率，使其成为保护车载网络数据隐私的可靠方案。
引用
@article{arxiv.2311.06372,
title = {Blockchain-Enabled Federated Learning Approach for Vehicular Networks},
author = {Shirin Sultana and Jahin Hossain and Maruf Billah and Hasibul Hossain Shajeeb and Saifur Rahman and Keyvan Ansari and Khondokar Fida Hasan},
journal= {arXiv preprint arXiv:2311.06372},
year = {2023}
}
备注
7 pages