当众包感知遇见联邦学习：隐私保护移动众包感知系统
密码学与安全
2021-02-23 v1 机器学习
摘要
移动众包感知（MCS）是一种具有可扩展性、低部署成本和分布式特征的新兴感知数据收集模式。传统 MCS 系统面临隐私担忧与公平奖励分配问题。此外，现有隐私保护 MCS 方案通常关注数据收集的隐私保护而非数据处理的隐私保护。为解决 MCS 面临的问题，本文将对联邦学习（FL）整合进 MCS，并提出一种称为 CrowdFL 的隐私保护 MCS 系统。具体地，为保护隐私，参与者通过联邦学习本地处理感知数据并仅上传加密的训练模型。特别地，提出一种隐私保护联邦平均算法以对加密训练模型求平均。为降低约束掉线参与者的计算与通信开销，设计了丢弃与重传策略。此外，设计了一种隐私保护发布定价激励机制，试图打破隐私保护与时间数据评估的两难困境。对实际 MCS 应用的理论分析与实验评估表明，所提出的 CrowdFL 能有效保护参与者隐私且可行高效。
引用
@article{arxiv.2102.10109,
title = {When Crowdsensing Meets Federated Learning: Privacy-Preserving Mobile Crowdsensing System},
author = {Bowen Zhao and Ximeng Liu and Wei-neng Chen},
journal= {arXiv preprint arXiv:2102.10109},
year = {2021}
}