基于零知识证明的数字孪生驱动的安全无人机辅助联邦学习
机器学习
2025-09-18 v1 密码学与安全
摘要
联邦学习 (FL) 作为一种在分布式网络上训练机器学习模型的隐私保留方法日益流行。然而，要确保无人机辅助 FL 系统的可靠运行，必须解决诸如过度能源消耗、通信效率低下和安全漏洞等问题。本文提出了一种创新框架，将数字孪生 (DT) 技术和零知识联邦学习 (zkFed) 集成以解决这些挑战。无人机充当移动基站，允许分散设备在本地训练 FL 模型并上传模型更新以进行聚合。通过引入 DT 技术，我们的方法实现了实时系统监控和预测性维护，提高了无人机网络的效率。此外，零知识证明 (ZKPs) 通过在不暴露敏感数据的情况下进行模型验证来增强安全性。为优化能源效率和资源管理，我们引入一种动态分配策略，根据网络条件调整无人机飞行路径、传输功率和处理速率。使用块坐标下降和凸优化技术，我们的方法将系统能源消耗降低最高可达 29.6%。仿真结果显示出 improved 的学习性能、安全性和可扩展性，使该框架成为下一代无人机基于智能网络的有前景的解决方案。
引用
@article{arxiv.2509.13634,
title = {Secure UAV-assisted Federated Learning: A Digital Twin-Driven Approach with Zero-Knowledge Proofs},
author = {Md Bokhtiar Al Zami and Md Raihan Uddin and Dinh C. Nguyen},
journal= {arXiv preprint arXiv:2509.13634},
year = {2025}
}
备注
15 pages, under revision at IEEE Internet of Things Journal