车载网络中使用动态客户端选择与异常检测的安全分层联邦学习
机器学习
2024-05-29 v1 人工智能
系统与控制
系统与控制
摘要
分层联邦学习 (HFL) 在车载网络中面临对抗性或不可靠车辆的严峻挑战，这些车辆可能通过误导性更新损害模型的完整性。针对这一问题，我们的研究引入了一个新颖的框架，该框架集成了动态车辆选择和鲁棒的异常检测机制，旨在优化参与者选择并减轻与恶意贡献相关的风险。我们的方法涉及全面的车辆可靠性评估，考虑了历史准确率、贡献频率和异常记录。利用异常检测算法，通过分析联邦学习 (FL) 过程中局部或模型参数的余弦相似度来识别异常行为。然后记录这些异常记录，并结合过去的准确率和贡献频率表现，为每一轮学习识别最合适的车辆。动态客户端选择和异常检测算法部署在不同层级，包括簇头 (CHs)、簇成员 以及演进型分组核心网，以检测并过滤掉虚假更新。通过基于仿真的性能评估，我们提出的算法即使在强烈攻击条件下也表现出显著的鲁棒性。即使在最坏情况下，其收敛时间也能达到无攻击场景下 \% 的有效性。相反，在未使用我们提出算法的场景中，FL 过程极有可能无法收敛。
引用
@article{arxiv.2405.17497,
title = {Secure Hierarchical Federated Learning in Vehicular Networks Using Dynamic Client Selection and Anomaly Detection},
author = {M. Saeid HaghighiFard and Sinem Coleri},
journal= {arXiv preprint arXiv:2405.17497},
year = {2024}
}