计算机研究与发展

作者：唐晓岚,梁煜婷,陈文龙,

关键词：车联网, 联邦学习, 非独立同分布数据, 隐私保护, 传输控制,

车联网在智慧城市建设中扮演着不可或缺的角色，汽车不仅仅是交通工具，更是大数据时代信息采集和传输的重要载体.随着车辆采集的数据量飞速增长和人们隐私保护意识的增强，如何在车联网环境中确保用户数据安全，防止数据泄露，成为亟待解决的难题.联邦学习采用“数据不动模型动”的方式，为保护用户隐私和实现良好性能提供了可行方案.然而，受限于采集设备、地域环境、个人习惯的差异，多台车辆采集的数据通常表现为非独立同分布（non-independentandidenticallydistributed，non-IID）数据，而传统的联邦学习算法在non-IID数据环境中，其模型收敛速度较慢.针对这一挑战，提出了一种面向non-IID数据的车联网多阶段联邦学习机制，称为FedWO.第1阶段采用联邦平均算法，使得全局模型快速达到一个基本的模型准确度；第2阶段采用联邦加权多方计算，依据各车辆的数据特性计算其在全局模型中的权重，聚合后得到性能更优的全局模型，同时采用传输控制策略，减少模型传输带来的通信开销；第3阶段为个性化计算阶段，车辆利用各自的数据进行个性化学习，微调本地模型获得与本地数据更匹配的模型.实验采用了驾驶行为数据集进行实验评估，结果表明相较于传统方法，在non-IID数据场景下，FedWO机制保护了数据隐私，同时提高了算法的准确度.

来源：2024年第9期

《计算机研究与发展》期刊编辑部

查看计算机研究与发展杂志2024年第9期