面向下一代地下矿山安全的隐私保护联邦学习
密码学与安全
2025-12-10 v1 机器学习
摘要
地下矿山作业依赖传感器网络监测关键参数，如温度、气体浓度和矿工移动，从而实现及时的危险检测与安全决策。然而，将原始传感器数据传输至中央服务器进行机器学习（ML）模型训练会引发严重的隐私与安全问题。联邦学习（FL）提供了一种有前景的替代方案，通过在不暴露敏感本地数据的情况下实现去中心化模型训练。然而，在地下矿山中应用 FL 面临独特挑战：（i）攻击者可能窃听共享的模型更新以发起模型反转或成员推断攻击，危及数据隐私与操作安全；（ii）矿山之间非独立同分布的数据分布和传感器噪声可能阻碍模型收敛。为解决这些问题，我们提出了 FedMining——一个专为地下矿山设计的隐私保护 FL 框架。FedMining 引入两项核心创新：（1）一种去中心化功能加密（DFE）方案，保持本地模型加密，阻止未授权访问和推断攻击；（2）一种平衡聚合机制，以缓解数据异构性并提升收敛性。在真实矿山数据集上的评估证明了 FedMining 在保护隐私的同时维持高模型准确率，并以降低通信与计算开销实现快速收敛。这些优势使 FedMining 既安全又适用于实时地下安全监测。
引用
@article{arxiv.2512.08862,
title = {Secure and Privacy-Preserving Federated Learning for Next-Generation Underground Mine Safety},
author = {Mohamed Elmahallawy and Sanjay Madria and Samuel Frimpong},
journal= {arXiv preprint arXiv:2512.08862},
year = {2025}
}