BlocksecRT-DETR：面向智能交通系统中安全实时目标检测的去中心化隐私保护与令牌高效联邦Transformer学习
密码学与安全
2026-01-21 v1 机器学习
摘要
在智能交通系统（ITS）中使用Transformer进行联邦实时目标检测面临三大挑战：（1）来自地理多样交通环境的缺失类非独立同分布数据异质性，（2）高容量Transformer模型在边缘硬件上的延迟约束，以及（3）来自不可信客户端更新和中心化聚合的隐私与安全风险。我们提出了BlockSecRT-DETR，一个用于ITS的区块链安全实时目标检测Transformer框架，它利用RT-DETR Transformer提供了一种去中心化、令牌高效且保护隐私的联邦训练解决方案，并集成了区块链安全的更新验证机制以实现可信聚合。在该框架中，挑战（1）和（2）通过统一的客户端设计共同解决，该设计将RT-DETR训练与令牌工程模块（TEM）相结合。TEM修剪低效用令牌，降低了边缘硬件上的编码器复杂度和延迟，而聚合更新则缓解了客户端间的非独立同分布数据异质性。为解决挑战（3），BlockSecRT-DETR集成了一个去中心化的区块链安全更新验证机制，该机制能够在不依赖中央服务器的情况下，实现防篡改、保护隐私且无需信任的认证模型聚合。我们在KITTI数据集的缺失类非独立同分布划分下评估了所提出的框架，并进行了区块链案例研究以量化安全开销。TEM将推理延迟提升了17.2%，并将编码器FLOPs降低了47.8%，同时保持了全局检测精度（89.20% [email protected]）。区块链集成每轮增加400毫秒开销，由于仅将元数据存储在链上，账本大小保持在12 KB以下。
引用
@article{arxiv.2601.12693,
title = {BlocksecRT-DETR: Decentralized Privacy-Preserving and Token-Efficient Federated Transformer Learning for Secure Real-Time Object Detection in ITS},
author = {Mohoshin Ara Tahera and Sabbir Rahman and Shuvalaxmi Dass and Sharif Ullah and Mahmoud Abouyessef},
journal= {arXiv preprint arXiv:2601.12693},
year = {2026}
}