本發(fā)明涉及車聯(lián)網(wǎng)、區(qū)塊鏈和聯(lián)邦學(xué)習(xí)領(lǐng)域，具體地說是一種基于區(qū)塊鏈的車聯(lián)網(wǎng)聯(lián)邦學(xué)習(xí)隱私保護(hù)方法。

背景技術(shù)：

1、5g網(wǎng)絡(luò)及新型智能網(wǎng)絡(luò)技術(shù)的快速發(fā)展推動(dòng)了車聯(lián)網(wǎng)不斷向前，使得自動(dòng)駕駛和內(nèi)容交付等服務(wù)成為可能。在車聯(lián)網(wǎng)中，車輛每時(shí)每刻都會(huì)產(chǎn)生大量不同類型的數(shù)據(jù)，這些數(shù)據(jù)包含大量用戶的隱私信息，如車輛軌跡、轉(zhuǎn)速、位置等。車輛之間的數(shù)據(jù)共享可以有效降低道路交通事故以及提高駕駛體驗(yàn)。然而，在車聯(lián)網(wǎng)中數(shù)據(jù)安全和隱私泄露制約著車輛之間數(shù)據(jù)共享，造成駕駛員不愿意共享自己的數(shù)據(jù)，以至于機(jī)器學(xué)習(xí)過程中由于數(shù)據(jù)量不足出現(xiàn)訓(xùn)練精度不高和損失較大的情況。

2、最近，新興的區(qū)塊鏈以去中心化、透明性、不可篡改及可追溯等特性成為了分布式解決方案中一項(xiàng)重要的技術(shù)，受到金融、醫(yī)療器械、智能電網(wǎng)等眾多領(lǐng)域的廣泛關(guān)注。傳統(tǒng)聯(lián)邦學(xué)習(xí)的脆弱性在于過度依賴集中式服務(wù)器，一旦其受到單點(diǎn)故障攻擊，車聯(lián)網(wǎng)中的車輛可能無法完成聯(lián)邦學(xué)習(xí)過程。一些學(xué)者將區(qū)塊鏈與機(jī)器學(xué)習(xí)相結(jié)合，構(gòu)建了分布式聯(lián)邦學(xué)習(xí)架構(gòu)，實(shí)現(xiàn)了在完全不可信的環(huán)境下的信息流轉(zhuǎn)和機(jī)器學(xué)習(xí)過程的公開透明。然而，聯(lián)盟鏈系統(tǒng)仍存在一些問題，在數(shù)據(jù)共享場景中難以滿足低時(shí)延、高吞吐量以及出色的安全性要求，設(shè)計(jì)更適合車聯(lián)網(wǎng)數(shù)據(jù)共享的共識(shí)協(xié)議成為必然趨勢。一個(gè)高效且穩(wěn)健的共識(shí)協(xié)議不僅可以提高數(shù)據(jù)共享效率，還可以抵抗中毒攻擊、51％攻擊等惡意攻擊。所以，如何在保持?jǐn)?shù)據(jù)隱私和安全的同時(shí)，有效的協(xié)調(diào)和促進(jìn)車輛之間的數(shù)據(jù)共享，是數(shù)據(jù)共享得以順利進(jìn)行的基本保障。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明提出一種基于區(qū)塊鏈的車聯(lián)網(wǎng)聯(lián)邦學(xué)習(xí)隱私保護(hù)方法，目的在于解決上述背景技術(shù)中提出的問題，利用區(qū)塊鏈和差分隱私保持機(jī)器學(xué)習(xí)過程的透明，不可篡改及可追溯，從而確保安全高效的機(jī)器學(xué)習(xí)。此外，針對(duì)個(gè)別車輛不合作的行為，設(shè)計(jì)了一種激勵(lì)方法，通過將本地設(shè)備的代幣數(shù)量與領(lǐng)導(dǎo)節(jié)點(diǎn)選擇算法耦合，既可以鼓勵(lì)車輛積極參與又規(guī)范了潛在的非法行為。

2、本方法采用的技術(shù)方案包含以下步驟：

3、步驟1：設(shè)計(jì)一個(gè)基于區(qū)塊鏈的車聯(lián)網(wǎng)聯(lián)邦學(xué)習(xí)模型，初始化車輛和rsu等本地設(shè)備，初始化區(qū)塊鏈，創(chuàng)建區(qū)塊b0；

4、步驟2：在系統(tǒng)初始化完成后，結(jié)合代幣對(duì)領(lǐng)導(dǎo)節(jié)點(diǎn)進(jìn)行選取；

5、步驟3：本地設(shè)備使用隨機(jī)下降法對(duì)本地模型進(jìn)行訓(xùn)練，在共享局部梯度時(shí)添加高斯噪聲，進(jìn)行差分隱私梯度共享；

6、步驟4：本地設(shè)備對(duì)接收到的共享梯度后，領(lǐng)導(dǎo)者節(jié)點(diǎn)進(jìn)行梯度聚合與廣播并根據(jù)驗(yàn)證結(jié)果出塊；

7、步驟5：本地設(shè)備從區(qū)塊鏈網(wǎng)絡(luò)中下載新區(qū)塊，獲得全局梯度，驗(yàn)證全局梯度后更新本地模型，并從步驟2開始下一輪訓(xùn)練，直至模型收斂或達(dá)到最大訓(xùn)練輪數(shù)；

8、步驟1具體包括如下：

9、設(shè)計(jì)一個(gè)基于區(qū)塊鏈的車聯(lián)網(wǎng)聯(lián)邦學(xué)習(xí)模型，該模型有車輛和rsu等具有通信能力和數(shù)據(jù)采集存儲(chǔ)能力的設(shè)備組成，所有設(shè)備需要在可信權(quán)威機(jī)構(gòu)申請(qǐng)注冊(cè)真實(shí)身份信息后，才能參與數(shù)據(jù)共享。所述參與數(shù)據(jù)共享的本地設(shè)備系統(tǒng)都會(huì)發(fā)放公鑰pk和私鑰sk，其中公鑰作為參與數(shù)據(jù)共享過程的唯一身份id。公鑰和身份id作為公開信息可以在網(wǎng)絡(luò)中傳輸，每輛車都可以在網(wǎng)絡(luò)傳輸中獲取。rsu通過下行鏈路將任務(wù)發(fā)送至通過身份驗(yàn)證和具有請(qǐng)求數(shù)據(jù)集d＝{d1,d2,…,dn}的服務(wù)提供車輛。經(jīng)過多輪協(xié)同訓(xùn)練，服務(wù)提供車輛將計(jì)算出最終的模型發(fā)送至rsus。在區(qū)塊鏈系統(tǒng)運(yùn)行時(shí)，系統(tǒng)會(huì)創(chuàng)建一個(gè)創(chuàng)世區(qū)塊b0，記錄了所述參與本地設(shè)備的公鑰和身份id、版本號(hào)、區(qū)塊高度、時(shí)間戳及當(dāng)前區(qū)塊的哈希值。同時(shí)，每個(gè)本地設(shè)備在加入?yún)^(qū)塊鏈系統(tǒng)時(shí)，系統(tǒng)會(huì)發(fā)放相同數(shù)量的代幣。

10、為了提高區(qū)塊鏈的健壯性，領(lǐng)導(dǎo)節(jié)點(diǎn)的選擇應(yīng)該是無序且不可預(yù)測的。在數(shù)據(jù)共享中，被選中的節(jié)點(diǎn)扮演著領(lǐng)導(dǎo)者的角色協(xié)調(diào)參與節(jié)點(diǎn)對(duì)全局模型達(dá)成一致性意見；步驟2具體包括如下：

11、每個(gè)節(jié)點(diǎn)都在共識(shí)過程的第一階段執(zhí)行領(lǐng)導(dǎo)節(jié)點(diǎn)選擇算法，該算法基于可驗(yàn)證隨機(jī)函數(shù)(verifiablerandomfunction，vrf)和二項(xiàng)分布的累積密度函數(shù)(cumulativedistributionfunction，cdf)提出，包括了所述模型中任意競爭節(jié)點(diǎn)vi的常用函數(shù)：leaderselect(ski,ci,c)，sortition(ski,seed,τ,c)、leadercounter(ci,hi,p)。其中ci是節(jié)點(diǎn)vi擁有的代幣數(shù)量，c是所有節(jié)點(diǎn)擁有的代幣數(shù)量總和，seed是隨機(jī)種子，hi是節(jié)點(diǎn)vi哈希值，πi是節(jié)點(diǎn)vi的哈希值證明。vrf以私鑰和隨機(jī)種子作為輸入，輸出hi和πi。

12、每個(gè)競爭者擁有一定數(shù)量的代幣，在系統(tǒng)選擇過程中，代幣服從二項(xiàng)分布。每個(gè)代幣被選擇的概率為p＝τ/c，其中τ是系統(tǒng)期望選擇的代幣數(shù)量。然后計(jì)算得到每個(gè)節(jié)點(diǎn)不同數(shù)量代幣被選中的cdf。cdf具有有界性，即對(duì)于所有實(shí)數(shù)x，都有0≤f(x)≤1，其中f(x)是本地設(shè)備損失函數(shù)。所述模型將區(qū)間[0,1]劃分為(c+1)個(gè)區(qū)間，每個(gè)區(qū)間長度為，如果hi/l滿足

13、

14、其中，ri是節(jié)點(diǎn)的優(yōu)先級(jí)，這里的ri＝0，或者滿足

15、

16、其中，這里的ri＞0,ri∈{1,...,ci}，說明該節(jié)點(diǎn)有多少代幣被選擇，這也代表了節(jié)點(diǎn)參與領(lǐng)導(dǎo)節(jié)點(diǎn)的優(yōu)先級(jí)。由此可見，領(lǐng)導(dǎo)節(jié)點(diǎn)選舉與代幣數(shù)量有關(guān)，這意味著擁有更多的代幣的節(jié)點(diǎn)將有更大的概率當(dāng)選為領(lǐng)導(dǎo)節(jié)點(diǎn)。同時(shí)，除了系統(tǒng)初始化時(shí)獲得的代幣，系統(tǒng)根據(jù)節(jié)點(diǎn)的貢獻(xiàn)給予代幣作為獎(jiǎng)勵(lì)。競爭者通過sortition(ski,seed,τ,c)函數(shù)計(jì)算得出(hi,πi,ri)，廣播至網(wǎng)絡(luò)中，同時(shí)也接收來自其他競爭者的(h,π,r)。然后，競爭者將執(zhí)行verifyvrf(pk,hj,πj,seed)函數(shù)，驗(yàn)證通過的(hj,πj,rj)添加至列表li中。最后，列表li中優(yōu)先級(jí)最大的節(jié)點(diǎn)成為領(lǐng)導(dǎo)節(jié)點(diǎn)，負(fù)責(zé)引導(dǎo)和組織共識(shí)。

17、本地設(shè)備采用采用隨機(jī)下降法對(duì)模型進(jìn)行訓(xùn)練，本地設(shè)備可以通過區(qū)塊鏈中的全局模型參數(shù)計(jì)算得到局部梯度；步驟3具體包括如下：

18、在第t輪中，本地設(shè)備通過區(qū)塊鏈中的全局模型參數(shù)wi(t-1)，計(jì)算得到局部梯度，即

19、

20、為了保障節(jié)點(diǎn)的數(shù)據(jù)隱私，在交流共享梯度之前，加入高斯噪聲以擾動(dòng)梯度，即

21、

22、其中，c＝δ2g(t)，ε是差分隱私預(yù)算，δ是允許嚴(yán)格違背差分隱私的概率，一般是小常數(shù)。vi將擾動(dòng)梯度gi(t)廣播至區(qū)塊鏈網(wǎng)絡(luò)中，鄰居節(jié)點(diǎn)進(jìn)一步驗(yàn)證和更新本地梯度列表。

23、步驟4具體包括如下：

24、本地設(shè)備在區(qū)塊鏈網(wǎng)絡(luò)中接收到的共享梯度后，領(lǐng)導(dǎo)節(jié)點(diǎn)在pre-prepare階段通過一個(gè)確定性算法計(jì)算聚合梯度，即

25、w(t)＝γ(g1(t),g2(t),...,gn(t))

26、其中，γ是multi-krum梯度聚合規(guī)則，它以自己的真實(shí)梯度和其它共識(shí)節(jié)點(diǎn)的擾動(dòng)梯度作為輸入，輸出一個(gè)聚合梯度。在所述模型中，存在f個(gè)拜占庭節(jié)點(diǎn)，其數(shù)量滿足2f+2＜n，并且拜占庭節(jié)點(diǎn)的局部梯度通常與誠實(shí)節(jié)點(diǎn)存在較大的歐氏距離。在計(jì)算每個(gè)局部梯度與其他所有梯度間的歐氏距離后，將每個(gè)梯度與距離最近的n-f-2個(gè)梯度的歐氏距離相加，得到梯度質(zhì)量得分，即

27、

28、multi-krum算法選擇質(zhì)量得分最高的梯度作為輸出。然后，領(lǐng)導(dǎo)節(jié)點(diǎn)將w(t)打包至b(t)中，并在區(qū)塊鏈網(wǎng)絡(luò)中廣播。同時(shí)，每個(gè)跟隨節(jié)點(diǎn)根據(jù)multi-krum算法計(jì)算一個(gè)聚合梯度作為驗(yàn)證領(lǐng)導(dǎo)節(jié)點(diǎn)全局梯度的依據(jù)。

29、步驟5具體包括如下：

30、在分布式聯(lián)邦學(xué)習(xí)中，每個(gè)服務(wù)提供本地設(shè)備根據(jù)其他本地設(shè)備發(fā)送的局部模型執(zhí)行確定性算法計(jì)算下一輪次的模型參數(shù)，以更新為最新的模型，即

31、w(t+1)＝w(t)-η·γ(g1(t),g2(t),...,gi(t),...,gn(t))

32、其中，η是學(xué)習(xí)率，gi(t)是第t輪次vi的局部梯度，γ是確定性算法，這意味著所有服務(wù)提供車輛均使用相同的初始值以及相同的參數(shù)去執(zhí)行它。

33、與現(xiàn)有技術(shù)相比，本發(fā)明有益效果如下：

34、本發(fā)明的方法利用區(qū)塊鏈和差分隱私技術(shù)保持機(jī)器學(xué)習(xí)過程的透明，不可篡改及可追溯，從而確保安全高效的機(jī)器學(xué)習(xí)。此外，為了激勵(lì)本地設(shè)備誠實(shí)地參與聯(lián)邦學(xué)習(xí)，積極貢獻(xiàn)計(jì)算資源和高質(zhì)量數(shù)據(jù)。設(shè)計(jì)了一種代幣獎(jiǎng)勵(lì)機(jī)制，在區(qū)塊鏈領(lǐng)導(dǎo)節(jié)點(diǎn)選擇階段使用代幣，既激勵(lì)車輛積極參與，又有效規(guī)范其潛在的惡意行為。最后，采用一定的聚合策略檢測拜占庭的無效信息，進(jìn)一步提高了全局模型精度。本發(fā)明在保護(hù)數(shù)據(jù)隱私的同時(shí)提高了系統(tǒng)的魯棒性。