面向物联网的基于本地差分隐私的联邦学习
密码学与安全
2020-12-23 v2 机器学习
摘要
车联网（IoV）是物联网中一个前景广阔的分支。车联网模拟了大量众包应用，例如 Waze、Uber 和 Amazon Mechanical Turk 等。这些应用的用户将实时交通信息报告给云服务器，云服务器根据用户报告的交通信息训练机器学习模型，以实现智能交通管理。然而，众包应用所有者可以轻易推断出用户的位置信息，这引发了严重的用户位置隐私担忧。此外，随着车辆数量的增加，车辆与云服务器之间的频繁通信会产生意想不到的通信成本。为了避免隐私威胁并降低通信成本，本文提出将联邦学习和本地差分隐私（LDP）相结合，以促进众包应用实现机器学习模型。具体来说，我们提出了四种 LDP 机制来扰动车辆生成的梯度。提出了三输出机制，该机制引入了三种不同的输出可能性，以在隐私预算较小时提供高精度。三输出的输出可能性可以用两个比特进行编码，以降低通信成本。此外，为了在隐私预算较大时最大化性能，我们提出了一种最优分段机制（PM-OPT）。我们进一步提出了一种具有简单公式且效用与 PM-OPT 相当的次优机制（PM-SUB）。然后，我们通过结合三输出和 PM-SUB 构建了一种新颖的混合机制。
引用
@article{arxiv.2004.08856,
title = {Local Differential Privacy based Federated Learning for Internet of Things},
author = {Yang Zhao and Jun Zhao and Mengmeng Yang and Teng Wang and Ning Wang and Lingjuan Lyu and Dusit Niyato and Kwok-Yan Lam},
journal= {arXiv preprint arXiv:2004.08856},
year = {2020}
}
备注
This paper appears in IEEE Internet of Things Journal (IoT-J)