FAPL-DM-BC:面向车联网(IoVs)的具有自适应隐私与动态掩码、区块链及可解释人工智能(XAI)的安全可扩展联邦学习框架
密码学与安全
2025-01-03 v1
摘要
FAPL-DM-BC 解决方案是面向车联网(Internet of Vehicles, IoV)的一种基于联邦学习(FL)的新型隐私、安全与可扩展性解决方案。它利用联邦自适应隐私感知学习(Federated Adaptive Privacy-Aware Learning, FAPL)与动态掩码(Dynamic Masking, DM),根据实时变化的数据敏感性与状态,自适应地学习并调整隐私策略,以实现最优的隐私-效用权衡。安全日志与验证、基于区块链的溯源与去中心化验证,以及使用 FedAvg(联邦平均)与安全多方计算(Secure Multi-Party Computation, SMPC)的云微服务安全聚合。由与模型无关的可解释人工智能(Model-Agnostic Explainable AI, XAI)驱动的双模型反馈,对本地预测与解释进行认证,从而将其效率提升到新的水平。FAPL-DM-BC 通过加权均值计算将本地反馈与世界知识相结合,确保联邦学习的安全、可扩展与可解释。该集成化、隐私安全且高性能的 IoV 平台的可能应用包括自动驾驶汽车、交通管理与预测、车联网实时网络安全以及智慧城市等。
引用
@article{arxiv.2501.01063,
title = {FAPL-DM-BC: A Secure and Scalable FL Framework with Adaptive Privacy and Dynamic Masking, Blockchain, and XAI for the IoVs},
author = {Sathwik Narkedimilli and Amballa Venkata Sriram and Sujith Makam and MSVPJ Sathvik and Sai Prashanth Mallellu},
journal= {arXiv preprint arXiv:2501.01063},
year = {2025}
}
备注
1 table, 1 figure