SecEL：面向自动驾驶车辆的隐私保护、可验证与容错的边缘学习
密码学与安全
2020-02-18 v3
摘要
移动边缘计算(MEC)是一项新兴技术，用于将基于云的计算服务转变为基于边缘的计算服务。自动驾驶车辆网络(AVNET)作为 MEC 最有前景的应用之一，可具备边缘学习与通信技术，提升自动驾驶车辆(AV)的安全性。本文关注 AVNET 中的边缘学习，其中网络边缘的 AV 以分布式方式共享模型参数而非数据，聚合器（例如基站）从 AV 聚合参数并最终获得训练好的模型。尽管前景广阔，现有边缘学习案例中的安全问题，如数据泄露、计算完整性侵犯和故障连接，尚未被充分考虑。据我们所知，缺乏一种同时涵盖上述安全问题的有效方案。因此，我们提出了 \textit{SecEL}，一种用于 AVNET 中边缘学习的隐私保护、可验证且容错的方案。首先，我们利用基于二元多项式的秘密共享原语，通过一次性填充加密模型参数。其次，我们使用基于消息认证码的同态认证器来支持可验证计算。第三，我们缓解由故障连接引起的计算失败问题。最后，我们从时间成本、吞吐量和分类精度方面对 SecEL 进行仿真与评估。实验结果证明了 SecEL 的有效性。
引用
@article{arxiv.2001.09624,
title = {SecEL: Privacy-Preserving, Verifiable and Fault-Tolerant Edge Learning for Autonomous Vehicles},
author = {Jiasi Weng and Jian Weng and Yue Zhang and Ming Li and Zhaodi Wen},
journal= {arXiv preprint arXiv:2001.09624},
year = {2020}
}