车联网中隐私保护机器学习：基础、最新进展与未来方向
密码学与安全
2025-07-09 v2
摘要
车联网(IoTV)中的机器学习(ML)技术提升了智能交通、自动驾驶能力以及大规模异构网络内的各种联网服务。然而，随着连接性和大规模数据交换在ML应用中的增加，隐私挑战也随之显现。隐私保护机器学习(PPML)通过在ML管道的各个阶段保护隐私，提供了潜在解决方案。尽管ML基于车联网的应用迅速发展且隐私问题日益严肃，但该领域对PPML采用存在局限。因此，本研究提供了关于PPML在该领域集成的基础、最新进展及挑战的综合性综述。我们首先回顾了各种PPML技术及其在车联网中的集成所进行的既有调查，并从不同范围内分析。随后，我们将车联网应用划分为三个关键领域，分析在利用ML过程中面临的隐私挑战。基于这些基础，我们回顾了将各种PPML技术集成到车联网应用中的最新进展，讨论其框架、关键特征以及在隐私、效用和效率方面的性能。最后，我们确定当前挑战，提出未来研究方向以提升车联网应用的隐私与可靠性。
引用
@article{arxiv.2503.01089,
title = {Privacy-preserving Machine Learning in Internet of Vehicle Applications: Fundamentals, Recent Advances, and Future Direction},
author = {Nazmul Islam and Mohammad Zulkernine},
journal= {arXiv preprint arXiv:2503.01089},
year = {2025}
}
备注
Preprint