基于无线D2D网络的分层联邦学习

为了解决在无线网络中部署联邦学习面临的通信资源消耗大和设备计算资源有限的问题，提出一种基于无线设备直通(D2D)网络的分层联邦学习框架.与传统架构不同，模型训练采用分层聚合.该框架通过D2D网络进行簇内聚合，各个簇同时进行去中心化训练,从每个簇中选择一个簇头上传模型至服务器进行全局聚合.通过将去中心化学习与分层联邦学习结合，降低了中央节点网络流量.使用D2D网络中节点的度来衡量模型收敛性能，通过最大化所有簇头的度之和，对簇头选择与带宽分配问题进行联合优化，并且设计一种基于动态规划的算法求出最优解.仿真结果表明，与基线算法相比，该框架不仅能够有效地降低全局聚合的频率和减少训练时间，而且能够提高最终训练得到的模型性能.     

面向医疗数据的隐私保护联邦学习架构

联邦学习作为一种新兴的神经网络训练模型，因其可以在保护用户数据隐私的前提下进行模型训练而受到广泛关注。然而，由于攻击者可以从共享梯度中跟踪和提取参与者的隐私，因此联邦学习仍然面临各种安全和隐私威胁。针对医疗数据在联邦学习过程中面临的隐私泄露问题，基于Paillier同态加密技术提出一种保护隐私的医疗数据联邦学习架构。首先，采用Paillier加密技术对客户端的共享训练模型进行加密，确保训练模型的安全性和隐私性，同时设计了零知识证明身份认证模块确保参与训练成员身份的可信性；其次，在服务器端通过构造消息确认机制将掉线或无响应用户暂时剔除，减少了服务器等待时间，降低了通信开销。实验结果表明，所提机制在实现隐私保护的同时，具有较高的模型准确率，较低的通信时延，并具有一定的可扩展性。     

面向联邦学习的可验证安全聚合方案

在联邦学习中，多个数据拥有者可以联合训练一个高质量模型，有效地解决了数据孤岛问题，且能实现用户数据的隐私保护。然而，目前的联邦学习存在模型泄露、训练结果无法验证以及用户计算和通信代价较高等问题。对此，提出了面向联邦学习的隐私增强可验证安全聚合方案，实现了用户数据和模型参数的隐私保护，训练结果的可验证性，且大幅降低了用户的计算开销和通信代价。所提方案采用同态加密算法处理浮点运算，基于线性同态哈希函数验证聚合结果的正确性，其中部分用户掉线不影响最终的聚合结果。实验结果表明，所提方案具有较小的计算开销，且有效提高了训练模型的检测性能。     

智慧医疗场景下考虑终端移动性的任务卸载策略

针对工作流任务、边缘服务器无线信号覆盖范围、智慧医疗场景以及终端移动路径,分别构建模型进行描述,根据移动终端的实时位置和移动速率构建基于移动路径的工作流任务执行时间及能耗模型. 根据边缘服务器的无线通信模型,引入任务执行延迟和任务迁移2种情况以保障服务的连续性和执行时间限制. 从全局角度综合考虑任务在云端、边缘服务器和本地的执行效益,设计工作流任务优先级划分算法和边缘服务器卸载优化算法,并使用遗传算法设计基于最佳移动路径的工作流任务卸载决策及调度算法,在可选路径中搜索满足用户响应时间约束,且移动端能耗最低的最佳路径和相应的任务卸载、调度方案. 仿真结果说明：该算法能够合理地分配计算资源,在用户响应时间约束下充分降低移动终端能耗,相较未考虑终端移动性的卸载算法,移动端能耗降低了19.8%.     

一种高效的联邦学习隐私保护方案

联邦学习允许客户端在只共享梯度的情况下联合训练模型，而不是直接将训练数据提供给服务器。尽管联邦学习避免将数据直接暴露给第三方，对于数据起着一定保护作用，但研究表明，联邦学习场景下传输的梯度依然会导致隐私信息泄露。然而在训练过程中采用加密方案带来的计算和通信开销又会影响训练效率，并且难以适用于资源受限的环境。针对当前联邦学习中隐私保护方案存在的安全与效率等问题，结合同态加密和压缩技术，提出一种安全高效的联邦学习隐私保护方案。通过优化同态加密算法，确保方案安全性的基础上，减少运算次数，提高运算效率；同时设计一种梯度过滤压缩算法，过滤掉与全局模型收敛趋势不相关的本地更新，并采用计算可忽略的压缩操作符量化更新参数，以在保证模型准确率的基础上提高通信效率。安全性分析表明，方案满足不可区分性，数据隐私性和模型安全性等安全特性。实验结果显示，方案不仅有较高模型准确率，而且在通信开销与计算开销方面较现有方案也有明显优势。     

基于移动边缘计算的车联网卸载策略研究

随着车载设备的快速发展和日益增大的数据量,车联网在计算能力及通信能力方面面临着巨大的挑战.传统云计算虽然可以弥补车载设备计算资源的不足,但由于云服务器距离车辆终端较远,因此,难以满足一些对时延敏感的业务的需求,基于此问题,引入了移动边缘计算.首先,构建了基于5G的"车-边-云"协同网络架构,在该架构中融合了SDN等多种新兴技术,可以实现对车、边缘设备、云三方面资源的统一调度;其次,在此架构下建立了基于卸载时延的通信计算模型,并采用了基于改进烟花算法的计算任务卸载策略,其中,对烟花算法的改进主要是针对爆炸火花的产生方式及下一代烟花的选择方法,在改进之后,烟花可以实现在不同方向和不同维度的全方位搜索;最终,通过基于改进烟花算法的任务卸载策略,各个任务可以选择在最佳的卸载节点进行卸载,从而保证了时延最小化.仿真结果表明,在所提协同架构下,基于改进烟花算法的卸载策略可显著降低时延.当任务量为5 Mb时,所提卸载策略相比于其它卸载策略在降低时延性能上至少提高10％.     

改进多种群进化算法求解移动边缘计算中任务调度问题

移动边缘计算通过在靠近用户端的网络边缘部署服务器,为用户提供低时延的网络通信服务和类似云的计算服务。移动设备通过网络接入点将任务卸载到边缘服务器进行处理,能够有效地减少移动设备的能耗以及任务的完成时间。然而,用户在卸载任务时需要支付一定的通信成本。本文在构建包含多个用户和多个边缘计算节点的移动边缘计算环境的基础上,建立了最小化移动设备的任务完成时间、能耗以及通信成本的数学模型。为了解决上述问题,本文提出了一种改进多种群进化算法的任务调度优化算法。该调度算法通过优化卸载决策和资源分配决策来达到降低移动设备综合成本的目的。大量仿真实验说明,该任务调度算法与其他几种的任务调度算法相比,能够更有效地降低移动设备的综合成本。     

融合边缘智能计算和联邦学习的隐私保护方案

边缘智能设备、网关和云端在智能协同计算的过程中，存在隐私泄露、计算能力有限等问题。提高联邦学习可以大大提高智能协同计算的训练效率，但也会暴露边缘智能终端的训练集信息。基于此，提出了一种融合边缘智能计算和联邦学习的隐私保护方案(PPCEF)。首先，提出了一个基于共享秘密和权重掩码的轻量级隐私保护协议，该协议基于秘密共享的随机掩码方案，不仅可以在不损失模型精度的前提下保护梯度隐私，还可以抵抗设备掉线和设备间的共谋攻击，具有很强的实用性。其次，设计一种基于数字签名和哈希函数的算法，不仅可以实现消息的完整性和一致性，还能抵抗重放攻击。最后，使用MNIST和CIFAR10数据集，证明提出的PPCEF方案在实践中安全且高效。     

基于个性化联邦学习的无线通信流量预测

提出一种基于分布式的城市全域通信流量预测算法Fed-DenseNet，各个边缘计算服务器在中心服务器的协调下进行协同训练，中心服务器利用KL散度挑选出流量分布相似的区域流量模型，并采用联邦平均算法对具有相似流量分布的区域流量模型的参数进行融合，以较低的复杂度和通信开销实现城市全域流量预测。此外，城市范围内不同地区流量具有高度差异化的特征，为此，在Fed-DenseNet算法基础上，提出基于合作博弈的个性化联邦学习算法p-Fed-DenseNet，将本地区的各个区域性数据特征作为合作博弈的参与者，通过合作博弈的超可加性准则，进行本地区特征的筛选，从而达到既能提高模型的泛化性，又能够保持对本地流量精准刻画的目的。     

车联网边缘场景下基于免疫算法的计算卸载优化

为了解决如何在降低车载终端计算时延的同时保证服务器的低能耗和负载均衡问题,本文首先构建了基于车对车通信的系统模型、时延模型、负载均衡模型、能耗模型和目标优化模型;然后提出了一种基于多目标免疫优化算法的计算卸载方案;最后将本文方案与多种卸载方案进行了对比实验。实验结果表明,本文方案能够有效降低用户的平均卸载时延,优化服务器之间的工作负载并有效降低能耗,且性能较各卸载方案有所提升。     

联邦学习隐私模型发布综述

联邦学习这一类分布式机器学习技术旨在保证使用大数据进行机器学习训练时保护本地数据不泄露.然而一系列机器学习隐私攻击表明,即使不直接暴露本地数据,仅仅通过获取机器学习模型的参数就可以进行数据隐私的窃取.从训练时参与者和聚合端之间传递的中间模型到最后发布的聚合模型,联邦学习的模型发布过程存在诸多隐私威胁.由此出现了大量相关...     

移动边缘计算中基于能量收集的能效优化方案

移动边缘计算（MEC）系统中密集的计算任务卸载使得资源受限的终端设备能量效率低,能量服务单一,对此,提出了一种基于能量收集的系统能效优化方案.该方案首先在满足卸载发送功率限制等约束条件下,分析了能量收集状态及用户功率分配,建立了最大化系统能效的联合优化模型;其次,利用广义分数规划理论将卸载能效转化为标准凸优化问题,并通过构建拉格朗日函数对目标函数进行迭代优化,获得最优的能量指示变量和功率分配.仿真结果表明,所提方案可以有效提升MEC系统中的用户能量效率,同时保证了用户服务质量,实现了绿色通信.     

联邦学习安全与隐私保护研究综述

数据孤岛以及模型训练和应用过程中的隐私泄露是当下阻碍人工智能技术发展的主要难题。联邦学习作为一种高效的隐私保护手段应运而生。联邦学习是一种分布式的机器学习方法,以在不直接获取数据源的基础上,通过参与方的本地训练与参数传递,训练出一个无损的学习模型。但联邦学习中也存在较多的安全隐患。本文着重分析了联邦学习中的投毒攻击、对抗攻击以及隐私泄露三种主要的安全威胁,针对性地总结了最新的防御措施,并提出了相应的解决思路。     

认知无线电网络中基于演化博弈的协作频谱感知技术

 提出了一种基于演化博弈理论的认知网络协作频谱感知方法．对协作频谱感知中次级用户的传输时间和吞吐量进行分析,建立协作感知的博弈模型并研究其动态演化特性,基于次级用户吞吐量最大化准则,得到相应纳什均衡解,在此基础上提出一种次级用户自适应分布式学习算法．理论分析和仿真结果表明,这种协作感知方法在保证检测性能的基础上,有效减少了协作通信开销,提高了次级用户吞吐量．     

隐私保护下的车辆轨迹联邦嵌入学习与聚类

智能网联汽车的高维轨迹数据被广泛用于从车辆的行驶轨迹中发现不同运动模式,从而降低交通风险、提高通行效率. 然而,数据利用过程中的隐私问题日益受到关注,如何在隐私保护的前提下进行算法的研究和应用是当前面临的一大挑战. 针对车辆轨迹数据分散在不同持有方且出于隐私保护无法共享数据的背景,利用差分隐私联邦学习框架来构建序列自编码网络提取轨迹序列的低维表示,并进一步利用轨迹的低维空间向量来发现不同时段下车辆的频繁路线. 提出的框架既通过本地训练避免了用户隐私数据的分享,又能通过高斯差分隐私机制防止模型信息的泄露. 该框架在真实的轨迹数据集上进行了验证,利用LSTM自编码作为嵌入学习网络,与非联邦、非差分加密的模型进行了对比分析,最后对三种得到的轨迹嵌入通过聚类分析发现该框架下学习的模型在充分尊重了隐私保护的前提下,仍然能够找出有效的频繁轨迹.     

基于相似轨迹替代查询的位置隐私保护方案研究

针对基于位置服务中移动终端用户位置隐私泄露问题,提出了一个基于相似轨迹替代查询的位置隐私保护方案.该方案在基于位置服务请求的用户及候选者身份匿名化的基础上,采用相似轨迹函数挑选出一定时间间隔内和用户轨迹相似度最高的候选者;然后由该时刻所挑选出的候选者替代用户发起位置服务请求,从而实现用户身份、查询和轨迹的隐私性保护.通过安全性分析,该方案满足匿名性、不可伪造性、以及抵抗连续查询服务追踪攻击等安全特性.仿真实验结果表明,本方案有效提高了最优候选者轨迹相似度以及最优候选者挑选效率.     

强隐私保护的移动群智感知方案

为了实现移动群智感知系统中身份隐私、证书撤销和积分激励功能,同时解决恶意用户身份追踪与诚实用户隐私保护之间的矛盾,提出了强隐私保护的移动群智感知方案.基于门限密码思想将身份追踪能力分散到多个实体上,使得多个追踪者合作才能追踪用户身份;将Pointcheval-Sanders签名和基于RSA假设的Camenisch-Lysyanskaya累加器结合起来实现了证书的安全快速撤销;利用Pointcheval-Sanders签名构造了保护隐私的积分激励机制.对该方案进行了安全性分析和实验分析.研究结果表明,该方案不仅满足安全要求,而且在实际应用中具有可行性.     

匿名双向认证与密钥协商新协议

分析了一种新的匿名双向认证与密钥协商协议,它使移动网络向用户提供匿名服务,访问网络与非法窃听者无法获知用户的身份信息,保证了用户身份、所在位置和行踪信息的机密性。该协议可以实现通信双方的相互认证,产生的会话密钥对通信双方是公正的。协议将双钥体制和单钥体制有机的结合起来,结构简单,安全高效。     

Research on the application of blockchain technology in the sharing of electronic medical records

Electronic health records contain the occurrence, development and treatment of patients' diseases, and have a high medical value. Due to the privacy and sensitivity of medical data, data sharing and privacy protection are key issues for electronic medical records. Aiming at the characteristics of decentralization and tamper resistance of the blockchain, an electronic medical record sharing model based on the blockchain is proposed. First, a private chain and an alliance chain are built to store the encrypted electronic medical and electronic medical's security index records of users, respectively. Second, a combination of distributed key generation technology and a type and identity based proxy re-encryption scheme is proposed, and a multi-center scheme is designed as a data sharing protocol, which uses the entrusted-proof-of-rights-and-interests algorithm to select proxy nodes. Finally, an analysis and calculation of the proposed scheme and the existing scheme in various aspects such as tamper resistance and attack resistance are conducted. The result shows that the scheme consumes less energy in terms of communication overhead and computing power so that it can achieve the safe sharing of medical data effectively.