没有合适的资源?快使用搜索试试~ 我知道了~
埃及信息学杂志24(2023)217联邦学习框架邝震a,b,陈朝阳b,a中国澳门澳门城市大学数据科学学院b湖南科技大学信息与电气工程学院,湖南湘潭411201阿提奇莱因福奥文章历史记录:2023年1月19日收到2023年2月23日修订2023年2月27日接受保留字:联邦学习智慧城市隐私安全公式加密边缘计算异步通信差异隐私A B S T R A C T为提升智慧城市信息化建设的数据通信处理能力,防御内部通信参与者的恶意联合攻击,研究了利用函数加密、区块链、差分隐私等技术,防御联邦学习过程中的权重泄露、参与合谋攻击、单点失效等问题,并在经典的联邦学习框架中引入边缘计算和异步通信,在保证模型准确性的同时提高模型的通信效率。研究结果表明,FE-BDP算法的准确率可以长期保持在95%以上,并且随着用户数量的增加变化不显著,说明该算法具有较强的稳定性。FE-LDP模型的损失值明显小于其他模型,可以稳定在0.05以下。区块链加密技术的数据聚合时间小于1.0s。边缘异步通信框架可应用于多个城市场景,实现有效的数据通信,最高准确率达93.87%,最低通信成本为1315.29s。研究结果表明,安全加密融合技术能有效保护用户数据隐私,边缘异步通信框架对提高通信效率效果明显,对推动智慧城市信息化建设具有重要应用价值。©2023 The Bottoms.由Elsevier BV代表计算机和人工智能学院发布开罗大学法律系这是一篇CC BY-NC-ND许可证下的开放获取文章(http://creative-commons.org/licenses/by-nc-nd/4.0/)上提供。1. 介绍随着中国人口的增长,城市人口也呈现出不断增长的趋势,这导致城市化治理的难度越来越大。在此背景下,智慧城市的提出为城市治理提供了思路。 智慧城市的根本思想是利用互联网技术,实现城市交通、水、电等数据的数字化,方便城市居民的日常生活和城市的统一管理[1,2]。大量的每-*通讯作者。电子邮件地址:cychen@hnust.edu.cn(C. 陈)。开罗大学计算机和信息系负责同行审查。制作和主办:Elsevier个人和企业数据已经存储在互联网大数据中,其数据安全性开始引起公众的关注。然而,传统的数据加密和通信技术难以实现大维度城市数据的安全管理,数据泄露的可能性仍然存在[3]。为此,研究者提出了联邦学习(FL)框架,通过构建联邦学习模式解决了隐私保护问题,在充分利用多方数据的同时避免了客户信息泄露[4,5]。然而,随着城市数据维度的不断扩大,城市数据的加密难度也在不断增加,传统的FL已经很费力地实现了客户数据的有效加密[6]。为此,本研究引入了FL下的差分隐私保护技术,进一步实现智慧城市数据的加密。它引入了区块链(BC),以解决城市隐私数据泄漏故障带来的麻烦。利用边缘异步框架实现了数据的有效传输,提高了数据通信的生产率,为智慧城市的发展提供了理论基础https://doi.org/10.1016/j.eij.2023.02.0051110-8665/©2023 THE COURORS.由Elsevier BV代表开罗大学计算机和人工智能学院出版这是一篇基于CC BY-NC-ND许可证的开放获取文章(http://creativecommons.org/licenses/by-nc-nd/4.0/)。可在ScienceDirect上获得目录列表埃及信息学杂志杂志主页:www.sciencedirect.comZ. Kuang和C. 陈埃及信息学杂志24(2023)2172182. 相关作品现代信息网络中的数据量呈现爆炸式增长趋势,用户隐私安全受到的威胁日益突出。在全球信息爆炸的时代,信息网络数据量也呈现出爆炸式增长的趋势,对用户隐私安全的威胁日益突出。为了提高数据交互和共享的安全性,许多研究人员对隐私保护和安全加密进行了研究。XiP等学者利用基于BC的FL实现了医学数据的安全重定位和共享。利用BC针对社会物联网中数据孤岛和安全威胁的问题,尹力提出了一种混合隐私保护FL框架,该框架采用高级公式加密对客户传输的数据和权值进行安全加密,并引入稀疏差分梯度来提高FL框架的传输效率。研究结果表明,混合隐私保护模式具有较高的传输准确性和生产率[8]。欧W和他的团队成员提出了一个基于同态加密和贝叶斯机器学习的垂直FL框架,以解决数据共享和隐私保护之间的矛盾。在垂直FL框架中,用户本地数据在共享前将被加密,这可以促进用户信息的共享,提高用户隐私的安全性。研究结果表明,垂直FL下的图形正确率为90%,可广泛应用于医学教育等领域[9]。Arachchige P C M等学者将FL引入工业物联网,将FL与机器学习、差分隐私和BC技术相结合,提出了一个名为Pri- ModChain的框架,以改善工业物联网数据的隐私性、安全性和可靠性[10]。针对工业物联网中数据共享和信息安全的困扰,Jia B团队提出了一种基于BC的FL,将BC技术与FL相结合,实现数据安全聚合。此外,贾B团队还将差分隐私与同态加密、随机森林算法相结合,进一步捍卫数据共享格局中的隐私数据。大量的实验结果证明,聚合方案在工业互联网中具有良好的性能[11]。Yu R将移动边缘计算引入FL,以优化FL的资源,并促进联邦学习资源的有效利用。通过对FL中的数据补偿和分层聚合技术的回顾,提出了一种基于模块化FL的神经感知资源管理技术,该技术根据资源状态分配全局模式资源移动客户。研究结果表明,该资源管理模式具有较高的应用灵活性和资源利用率[12]。通信生产力也是数据交互和处理领域的一个关键问题。Sun H在FL框架中提出了一种基于梯度稀疏的通信生产率优化技术。通过梯度校正、局部梯度和批量归一化,更新梯度参数,减小延迟梯度对模式计算的影响,减少模式计算过程中的通信开销,提高模式的收敛性。该研究在多个数据集上进行了实验验证,表明该模式在99.9%稀疏梯度时具有最高的准确性[13]。段明提出了一个自平衡的FL框架,用于处理分布不平衡的数据.解决了通过数据扩展和多用户重调度来解决数据不平衡问题,并采用自适应数据扩展和中间件来实现全局和局部数据均衡。研究结果显示,自平衡外语框架在两个数据集上的前1正确率分别提高了4.39%和6.51%,沟通生产率提高了75%[14]。针对无线网络数据通信,钟荣提出了一种基于移动可重构智能表面的FL框架,该框架结合了可重构智能表面的移动性优势和FL框架,以提高模式数据速率的增益。研究结果表明,FL框架的数据速率增益达到42%,具有良好的优化性能和收敛效率[15]。为了解决无线资源利用效率和能量生产率的问题,Kaur A等学者提出了一种多智能体强化学习方案,该方案利用分散合作随机组成多智能体动态团队,以提高整体资源分配效率。研究结果表明,多智能体强化学习方案收敛速度快,对提高网络容量效果显著,可以改善用户的服务质量和能源利用效率[16]。综上所述,FL是一种常用的数据通信和处理工具,但以往的联邦学习安全保护技术仍存在隐私保护漏洞,数据通信效率和处理性能有待提高。为此,针对FL下的安全加密和通信生产力,提出了基于公式加密、BC等手段的安全加密融合技术,并设计了边缘异步通信框架,希望为智慧城市信息化建设中的海量数据处理和隐私安全保护提供技术帮助。3. FL下的数据聚合加密研究3.1. 数据聚合权重隐藏保护在智慧城市信息化建设背景下,为了提高联邦学习框架下数据通信的安全性和通信效率,研究了利用函数加密和贝叶斯差分隐私(FE-BDP)模型保护数据聚合权值,利用函数加密和局部差分隐私(FE-LDP)模型实现分散式密钥安全管理。针对联邦学习框架下的服务器攻击和单点故障问题,进一步引入函数加密和区块链(FE-BC)模型实现数据安全聚合。为了减少联邦学习框架的通信开销,提高数据通信效率,提出了一种边缘计算与异步通信相结合的边缘异步高效通信框架.联邦学习框架下的数据加密和通信效率改进方法如图所示。1.一、当用户在FL(FL)框架中共享和通信数据时,容易受到反转攻击、重定向攻击和其他隐私攻击,严重威胁用户针对用户隐私泄露的问题,通常采用同态加密、差分隐私等技术。通过将噪声引入通信信号中来加密通信数据[18,19]。然而,常见的隐私保护技术Z. Kuang和C. 陈埃及信息学杂志24(2023)217219.Σ我Fig. 1. 一种联邦学习框架下的数据加密和通信效率提高方法。没有考虑用户数据聚合权重的安全性,恶意入侵者可能通过篡改权重来窃取用户的本地消息。为此,针对联邦学习框架下数据聚合权值泄露的问题,采用公式加密和贝叶斯差分隐私(FE-BDP)技术构建了一种数据聚合权值安全保护模式。服务器使用公式加密无法获得其他用户的权值参数,并在本地模式中引入噪声,通过扰动模式的分布距离来判断模式的隐私丢失,以保证安全性得到改善,并尽可能减少引入的噪声量,避免由于噪声过大而影响模式的正确性。 基于FE-BDP的数据聚合权重安全保护模式如图所示。 二、将订阅者集设为fC1;C2;···;Cng,则有n个订阅者模式参数是Wi。在模式训练阶段,使用公式加密对用户参数进行加密用户将其权重yi发送给密钥管理器,密钥管理器将权重组合成增益向量并将其分成y1k···kyn,从而生成公式解密密钥sky1k···kyn。密钥管理方生成主公钥mpki和主私钥mski将加密和解密密钥发送到订户和服务器,结合订户标签i获得订户服务器对密文进行解密得到1/2ai]T,所有用户的权重聚合模式为1/ 2ai]T的离散对数。在帕特-在终端预测阶段,贝叶斯差分隐私用于计算FL迭代中的隐私损失。假设每次迭代中的隐私损失为ctk,数据分布为,总共,并且每个订户 关键期望值为E ekDk1pijqi .隐私损失计算公式管理方生成并管理密钥,用户显示在Eq中。(1).Σ图二.数据聚合权重安全保护模式。Z. Kuang和C. 陈埃及信息学杂志24(2023)217220.Σ不我..;;PnΣQe2r2我我.k;aux;d;d0阶矩生成公式,以及Xk1. k1kk¼0Kk1-kk2-kjg-gj2以避免合谋窃取用户信息的麻烦。基于高斯噪声的LDP用于训练用户由方程式(1),q是数据采样的概率,gt是带参数x和不带参数x的t次迭代的非私有输出,r是欠采样高斯噪声中的噪声参数根据他们的隐私需求。隐私损失c 〇;M;aux;d;d〇的计算公式显示在等式中。(三)、pr½Maux;d¼0]机制,k是实验数量,k是实验数量。为隐私损失设置隐私预算(PB),C.o;M;aux;d;d0±¼DlogM.辅助;d0±¼0ð3Þ隐私损失的预算条件显示在等式中。(二)、logd6Xctk-ke2t1/2由方程式d;d0是相邻数据集,M是LDP中的随机算法,0是随机算法的输出,并且aux是辅助输入。隐私损失的所有步骤都是对数aMFL需要多次迭代的训练,但是订户参数在相邻的迭代中变化不大,因此用户将重复地向服务器发送重复的参数,在Eq中显示。(4)、aMkDma xaM.k;au x;d;d0EoMaxxdωexp.kc.o;M;aux;d;d0个字母迭代,导致FL的培训效率降低[20]。因此,本研究调整了随机梯度下降算法,辅助;d;d~ð;ð4Þ将传统FL中的Rithm转化为稀疏差分梯度。在第一次梯度参数上传后,仅将参数增量传输到服务器,并设置参数增量增量小于阈值的参数将不被上传,以减少参数传输的通信和加密开销。3.2. 分散式密钥安全管理为了避免密钥管理者和服务器合谋窃取用户隐私信息的情况,基于分散化的思想,提出了一种基于局部差分隐私(LDP)的激励机制,并对用户密钥公式进行加密,使得其他代理无法获取用户密钥。基于公式加密和局部差分隐私(FE-LDP)的分散式密钥安全管理模式如图3所示。用户通过组合主公钥和本机消息来生成个人密钥eki,对本地模式进行加密以获得加密模式[eki]1,并且彼此交互以获得参数Ti和Ti^0。 用户通过组合密钥和Ti来生成个人秘密密钥ski。订阅者将部分解密密钥和加密的本地模式上传到服务器。部分解密密钥dky;i是通过将秘密密钥ski和内积公式中的重量y '。服务器将所有用户的部分解密密钥,得到公式化的解密密钥dky,利用dky实现信息安全聚合,不需要对用户模式进行解密,也不依赖密钥管理方来生成和管理密钥,的最大值的aMk;aux;d;d0为max auxdd a M k;aux;d;d0.对于任何ke,e>0,隐私损失的阈值(五)、d¼minexpressaMk-ke5当隐私丢失超过阈值时,意味着隐私泄露的风险很高,需要立即停止培训。LDP允许用户独立决定PB,但用户通常选择高PB,这降低了模式的精确性[21]。因此,本研究引入了一种激发机制。如果用户隐私保 护 接 受 的 下 限 是 pri , 则 用 户 隐 私 保 护 满 足 条 件 pri_eps;sigma_P_pri,其中eps是PB,sigma是噪声参数。服务器在迭代过程中将公共测试数据集和初始模式发送给订阅者。订户将本地模式费率作为竞争投标上传到服务器。服务器将把正确率高的用户纳入联邦学习并给予奖励。在这种激励机制下,用户和服务器都会在正确性和隐私保护之间寻求平衡,从而找到合适的保护策略。3.3. 基于BC在FL框架中,服务器是用户数据聚合的重要节点,但服务器容易受到攻击和单点故障[22,23]。因此,本研究将BC技术引入到经典FL中,图三.分散式密钥安全管理模式。K联系我们logExωω1-qð1ÞZ. Kuang和C. 陈埃及信息学杂志24(2023)217221ð ÞB不B;H共识机制,实现FL数据聚合的去中心化,让所有参与者都能实时跟踪培训进度。此外,结合数据加密对模式参数进行加密,避免了明文模式在协同训练过程中可能造成隐私泄露的麻烦,保证BC主体无法获取其他订阅者的模式信息基于公式加密和区块链(FE-BC)的数据安全聚合模式如图4所示。用户使用个人密钥对数据xi进行加密,并将密文Enc xi发送给BC进行数据共享,而密文信息只能通过解密密钥获得。BC引入后,将传统的联邦式学习训练转变为合作式训练模式,每个参与者都成为BC网络中的一个计算节点。在协同训练开始之前,初始节点会先创建一个Genesis块,将公共训练数据集训练的初始模式写入Genesis块,并广播到整个网络节点。本地设备将训练数据上传到计算节点,并在验证后将其写入候选块。每个计算节点通过选举获得新区块的资格,然后在网络中广播候选区块。当候选块被其他计算节点识别时,它们将被创建为新的块。用户将训练和加密的本地模式发送到计费器,节点,并生成一个新的区块。联邦-链将通过点对点网络将新区块同步到每个计算当本地模式块满足智能合约的条件时,联盟链的背书节点将对模式进行聚合在达成共识后,聚合的全局模式将被发送到排序节点进行更新,并且网络的迭代次数将被更新,以便在原始数量下的局部模式客户和云中心服务器很大,导致FL框架的整体通信生产力显著降低[24]。为了提高FL框架的通信生产力,在经典FL通信结构的基础上,引入边缘计算和异步通信模式,在原有云中心服务器和客户之间增加边界服务器,使得参与培训的客户不需要直接与云中心服务器连接,而是根据邻近性原则与彼此靠近的边界服务器通信,在通信结构中,客户端与边缘服务器之间的通信是同步的。考虑到边缘服务器与云中心服务器之间通信开销大、延迟大等问题,将边缘服务器与云中心服务器之间的通信方式改为异步通信,希望提高该通信结构的通信效率。边缘异步通信框架如图5所示。客户使用同步随机梯度下降法选择数据从本地数据集中选取批量大小为B的样本进行训练。平均梯度计算公式如方程式所示(六)、wt¼1Xrwti61/1由方程式(6),wt;i是局部梯度参数。总共有H个客户端,边界服务器将客户端发送的梯度参数进行汇总,确定梯度参数。梯度参数的平均值计算公式显示在等式中。(七)、Hw¼1Xrwi1/1ð7Þ4. Edge异步高效通信框架设计4.1. 使用边缘计算的框架结构设计在培训过程中,经典FL框架下的客户之间的通信开销和由方程式其中,wi是客户传输梯度参数。边界服务器将聚合的梯度参数发送给参与训练的客户,并且客户更新本地模式参数。更新公式显示在Eq. (八)、xt 1¼xt-gtw8图四、基于BC的数据安全聚合模式迭代不能再上传。不Z. Kuang和C. 陈埃及信息学杂志24(2023)217222nð Þ ¼ ðÞHnnh我图五. Edge异步通信框架。由方程式其中,gt是第t轮训练的学习率,xt是更新后的模式参数,xt是最后一轮模式参数。客户端与边界服务器之间的信息传输采用同步通信的方式实现边界服务器将为上传参数的客户数量设置阈值如果客户数量平均-当接收训练和参数上传超过阈值时,边界服务器将不接收其他客户发送的参数,直接进行聚合操作,避免了获得其他客户发送的梯度延迟的梯度参数,影响聚合操作的结果。聚合操作完成后,边界服务器将聚合的参数广播给所有客户,通知他们迭代训练已经结束。将参与培训的H客户的原生培训集设置为Dh。利用模式参数对样本数据进行预测得到的损失结果表示为fiw L xi;yi;w。然后,损失计算公式显示在等式中。(九)、最小值1X最小值9我由方程式式(11)中,ah为客户在聚合操作中获得的梯度参数的权重。4.2. 基于ASGD的异步通信云中心服务器和边界服务器在通信过程中往往存在较大的通信开销和延迟,不同的边界服务器在客户数量和计算资源上存在较大差异,这使得不同边界服务器在训练过程中的迭代时间不同[25]。如果云中心服务器和边界服务器采用同步通信,虽然解决了梯度参数延迟的麻烦,但云中心服务器的通信和计算效率将受到钻取时间最长的边界服务器的限制在钻取时间最长的边界服务器上传完参数之前,云中心服务器将一直处于等待参数的状态,造成大量的计算资源浪费当云中心服务器获得上传的所有参数时w2Rdni¼1由边界服务器更新全局模式参数并将更新的全局模式发送到边界服务器。然而,在这方面,由方程式s是训练数据集的数据量,并且w2Rd是d模式参数。设Ph是第h个客户的数据点索引集,并且h个客户的数据点的数量为nh^jPhj。损失公式显示在Eq. (十)、fw¼Xnh·1Xfw10h¼1i2Ph云中心服务器将初始化的模式参数发送到边界服务器,并且边界服务器将它们传输给客户。接收初始化参数的客户可以参与培训。客户的学习目标公式显示在Eq. (十一)、argminLX;Y;hXahLhX;Y;h11当使用同步通信时,云中心服务器和边界服务器之间存在延迟梯度,云中心服务器的全局模式参数的更新可能会受到上传参数的影响,具有一定程度的延迟[26]。因此,在通信框架中进一步引入了异步通信模式,边界服务器之间的通信模式,将云中心服务器和边界服务器改为异步通信模式,提高了该模式的融合性此外,引入了梯度延迟补偿,通过延迟补偿的方式保证梯度延迟控制在较小的范围在异步通信模式下,在接收到HZ. Kuang和C. 陈埃及信息学杂志24(2023)2172232不不ts2不由于云中心服务器不需要等待所有边界服务器的梯度参数,因此云中心服务器可以直接更新全局模式,避免云中心服务器为空。该研究结合了异步随机梯度下降(ASGD)和梯度延迟补偿。在传统ASGD算法的基础上,通过对局部梯度延迟的补偿,而不是直接将局部梯度引入全局方向图中,进一步提高了方向图的精度。梯度函数用于补偿局部梯度延迟,梯度公式gwts的泰勒展开式显示在等式中。(十二)、gwts gwtrgwtwts-wt5. 数据加密效果分析及通信效率提高方法5.1. 数据安全聚合效果验证为了验证研究方法的有效性,通过实验对模型的可行性进行了检验和分析TensorFlow用于系统开发。服务器配置包括Linux Centos7操作系统和Hygon-C86- 7159处理器。在实验中,首先分析FE-BDP训练的准确性,将噪声参数sigma设置为0.5,将pri- vacy预算eps设置为8,并将实验用户数设置为分别是200、800和1600用户数据全部来自我的天ðwtþs-wt2Inð12ÞMINST data set.研究比较了FE-BDP模型和无差分隐私的函数加密模型,由方程式其中,rg是具有元素gi j,和di21/2n];j21/2n]的矩阵,是一个n维向量,其中所有元素都是1.如公式所示,(十三)、在有或没有差异隐私的情况下,破坏模型的准确性。比较结果如图6所示。在图6中,比较了200、800和1600个用户的模式精确度。 图 6(a)显示准 确 的变化,wt1-wt;1个· ··n-wt;nð13Þ订户数量为200个。当预算消耗率达到20%时,FE-BDP的正确率提高到90%以上。然而,没有装饰的图案的精确性具有梯度延迟补偿的异步随机梯度下降(十四)、在预算消费百分比达到60%之后,隐私权才上升到80%。图6(b)和图6(c)显示了当用户�wts-g g wtg ωug wtωgwtwts-wtð14Þ分别是800和1600。FE-BDP的精度仍显著高于无微分原理的模式在当量(十四)、ω是的元件通过元素产品,gwωgwω w-w 是延迟补偿梯度,vacy。 和图 6(b)和图。 6(c),FE-BDP的正确率可以提高到90%以上,而没有差分隐私总是低于80%。然而,可以发现,u是方差控制参数。见图6。 有无差别隐私的精确性差异分析。anaLZ. Kuang和C. 陈埃及信息学杂志24(2023)217224随着用户数量的增加,FE-BDP实现最大精确度所需的预算消耗比例也在增加。为了进一步评估FE-BDP的准确性,研究和比较了不同差分隐私模型之间的准确性差异将FE-BDP模型与经典的FL-DP模型和基于位置的隐私服务查询(DP-LQ)模型进行了比较评价结果如图所示。第七章图7(a)显示了当订户数量为200时正确性的比较结果。FE-BDP的正确率显著高于其它模式,其正确率达95%以上。虽然其他两种模式的正确率可以达到95%以上,但仍然低于FE-BDP。图7(b)和图7(c)显示了当用户数量为800和1600时模式正确性的比较结果。在不同的用户数下,FE-BDP的准确率总是高于其他两种模式。随着用户数量的增加,该模式的准确性正在下降。以上结果表明FE-BDP具有较高的正确率。虽然它会随着用户数量的增加而下降,但它仍然可以在很长一段时间内保持90%以上的正确率。FE-LDP是在研究中提出的,以避免共谋和窃取用户隐私信息。为了评价该方法的性能,采用损失值分析法对FE-LDP与经典FL-DP模型、DP-LQ模型和FE-LDP模型进行了评价和比较。结果示于图 八、图8比较了FE-LDP和其他差分隐私之间的损失值变化的差异。随着迭代次数的增加,FE-LDP的损失值不断减小,最终降至0.05以下这一点可以从各模式的损失值表明,经典FL-DP模式的损失值呈现增长趋势,这意味着在目前的实验环境下,传统FL-DP模式的性能较差。从以上结果可以发现,与其他模式相比,FE-LDP具有较小的损失值,这意味着FE-LDP在用户隐私信息加密中具有较小的损失,可以有效地实现信息加密。提出了一种基于BC的聚集技术,以避免由单点服务器故障引起的入侵攻击在图八、FE-LDP模式的损失值评估图第七章FE-BDP准确性评价。Z. Kuang和C. 陈埃及信息学杂志24(2023)217225同时,为了避免协作过程中用户隐私的泄露,提出了一种基于公式加密的FE-BC加密模式。为了分析FE-BC的应用性能,研究和评估了FE-BC在不断迭代中的聚合时间,如图所示。第 九章图9显示了不同用户数下的模式聚合时间和训练之间的差异。在不断迭代计算的过程中,模式聚集时间始终保持在1.0s以下,表明模式聚集代价较小。通过对该模式的训练实践比较,可以发现,图案的钻取时间大于1.0s,高于图案的聚集时间,表明图案的聚集能力较好。因此,随着用户数量的不断增加,FE- BC的聚合时间没有明显变化,整体运行稳定。上述结果表明,FE-BC具有快速聚合时间,并且在操作期间相对稳定5.2. 通信生产力改进验证提出了一种边缘异步高效通信框架,以提高数据通信处理能力.为此,为了验证其通信性能,提出了通信生产率评估实验在实验中,首先构建实验环境,如表1所示。使用表1中的实验环境来实现通信框架,比较不同通信框架之间的收敛性,并评估每个通信框架的信息处理能力,如图所示。 10.在图10中,比较了异构模式、边缘模式和边缘异步模式之间的收敛。图图10(a)显示了异质模式的MSE变化。可以发现,随着迭代次数的增加,表1软件和硬件信息。实验环境操作系统windows10处理器Inter Core i5,6200CPU,2.4 GHzECS Centos7.3操作语言Python 3.6异构模式的均方误差值呈下降趋势,经过500次迭代后逐渐减小到最小值。图图10(b)是边缘图案。边缘模式的MSE值也显示出随着迭代次数的增加而图10(c)显示边缘异步模式的MSE值变化。研究发现,随着迭代次数的增加,边缘异步模式的均方误差上述结果表明,本文提出的边缘异步高效通信框架具有良好的收敛性,能够实现快速稳定性,避免了通信波动带来的数据错误增加最后,为了评估边缘异步高效通信框架在实际应用中的通信效率,以某城市商场、停车场、大学和医院为研究场所,对边缘异步高效通信框架进行了实际测试,并与分散式框架和异步梯度缩减框架进行了比较分析结果如表2所示。在表2中,在不同的场景下,研究中提出的边缘异步高效通信框架的正确率超过90%,并且计算损失率很小。最大值出现在医院环境中,为0.68%。原因是医院的通信丢失率高于其他场景,因为复杂见图9。 FE-BC时间成本评估。Z. Kuang和C. 陈埃及信息学杂志24(2023)217226图10. Edge异步高效通信框架的收敛性分析表2通信框架应用对比测试帧市场停车场高校医院边缘异步框架准确度(%)0.92740.93870.93650.9291损失率(%)0.00430.00660.00570.0068通信费用1342.071315.291318.661331.11分散框架准确度(%)0.85670.84390.85310.8572损失率(%)0.14330.15610.14690.1428通信费用1823.241803.421816.791827.51异步梯度下降框架准确度(%)0.87310.87160.88430.8715损失率(%)0.12690.12840.11570.1285通信费用1713.051692.371701.381710.25医院的环境。分析边缘异步高效通信框架的通信开销,可以发现在不同场景下,时间开销都小于1350 s,可以知道不同场景下通信框架的通信开销并没有显著差异。上述结果表明,本文提出的边缘异步高效通信框架具有较高的准确性和较低的丢包率,能够处理不同的城市场景,同时具有一致的通信开销,进一步表明边缘异步高效通信框架具有较高的稳定性.6. 结论智慧城市是当前城市的根本发展方向,保障数据安全是智慧城市发展的关键。改善智慧城市的保护数据,提出了FL下的数据加密技术。该技术使用公式加密和差分隐私保护技术来防止客户数据泄露。同时,为了提高智慧城市的发展速度,提出了一种边缘异步框架,以提高通信效率。模式验证表明,引入差分隐私技术后,改进的FE-BDP加密模式的正确率有了显著提高,可以长期保持90%以上的正确率。与其他加密模式相比,FE-BDP具有更高的正确率,达到95%以上。此外,研究中提出的FE-LDP模式的损耗值明显小于其他模式,并且可以稳定在以下0.05. 同时,基于BC的数据聚合技术的聚合时间小于1.0s。最后,对边缘异步框架的通信生产率提升效果进行了评估.结果显示边缘异步框架具有显著更好的收敛性,Z. Kuang和C. 陈埃及信息学杂志24(2023)217227其通信开销最低可降至1315.29s上述结果表明,在FL框架下,公式加密和差分隐私保护技术的引入可以有效地实现数据隐私保护,并且可以提高边缘异步框架下的通信效率。然而,该研究没有考虑随着时间的推移而增长的城市数据。因此,在后续的研究中,我们将提出一个不断更新的数据加密和通信生产力提高技术的基础上,城市数据维的变化。CRediT作者贡献声明甄匡:概念化,方法论,软件,可视化,形式分析,数据管理,写作Chaoyang Chen:监督,软件,验证,写作竞争利益作者声明,他们没有已知的竞争性财务利益或个人关系,可能会影响本文报告的工作。确认本课题得到了国家重点科技攻关&项目国际科技&合作项目的资助( 2019YFE0118700 ) , 国 家 自 然 科 学 基 金 项 目 ( 62222306 ,61973110),湖南省青年人才科技创新工程(2020RC3048)湖南省杰出青年自然科学基金(2021JJ10030),数字化制造装备与技术国家重点实验室基金DMETKF 2022023。引用[1] 妮卡·E城市大数据分析和可持续治理网络在综合智慧城市规划和管理中的应用。Geopolitics History Int Rel2021;13(2):93-106.[2] 杨 志 , 陈 明 , 萨 阿 德 , 等. 基 于 无 线 通 信网 络 的 节 能 联 邦 学 习[j]. IEEE TransWireless Commun 2020;20(3):1935-49.[3] Dinh CT , Tran NH , Nguyen MNH , et al. Federated learning overwirelessnetworks:Convergenceanalysisandresourceallocation.IEEE/ACM跨网络2020;29(1):398-409.[4] Yu S,Chen X,Zhou Z,et al.当深度强化学习遇到联邦学习:5G超密集网络中多访问边缘计算的智能多媒体资源管理。IEEE Internet Things J2020;8(4):2238-51.[5] ChenM,Yang Z,Saad W,et al. 无线网络联合学习的联合学习和通信框架。IEEE Trans WirelessCommun2020;20(1):269-83.[6] Saracevic′M,Adamovic′S,MacekN,etal. 智慧城市应用的密钥交换模式。 IET IntelTransport Syst 2020;14(11):1456-64.[7] Xi P,Zhang X,Wang L,et al.基于区块链的医疗数据安全共享综述。应用科学2020;12(15):7912-23.[8] Yin L,Feng J,Xun H,et al. A privacy-preserving federated learning formultipartydata sharing in social iots. IEEE Trans Network Sci Eng 2021;8(3):2706-18.[9] Ou W,Zeng J,Guo Z,等。一种基于同态加密的风险管理垂直联邦学习方案。ComputSci Inf Syst 17(3),1736-1746,819-834。[10] ArachchigePCM , BertokP , KhalilI 等 , Atrustworthyprivacypreservingframework for machine learning in industrial iot systems 。 IEEETrans IndustrInf 2020;16(9):6092-102.[11] Jia B,Zhang X,Liu J,et al.基于区块链的联合学习数据保存聚合方案,具有iiot中的差分隐私和同态加密。 IEEE Trans Industr Inf 2021;18(6):4049-58.[12] YuR , LiP.Towardresource-efficientfederatedlearninginmobileedgecomputing. IEEE Network2021;35(1):148-55.[13] Sun H,Li S,Yu FR,et al. Toward communication-efficient federated learninginthe Internet of things with edge computing. IEEE Internet Things J 2020;7(11):11053-67.[14] Duan M,Liu D,Chen X,et al.移动系统中全局不平衡数据的自平衡联邦学习。 IEEE Trans Parallel Distrib Syst 2020;32(1):59-71.[15] Zhong R,Liu X,Liu Y,et al. Mobile Reconfigurable Intelligent Surfaces forNomaNetworks : FederatedLearningApproaches.IEEETransWirelessCommun2022;21(11):10020-34.[16] Kaur A,Kumar K.认知无线电网络中基于合作多智能体无模式强化学习方案的能量有效资源分配。IEEE Trans Netw Serv Manage2020;17(3):1337-48.[17] Nguyen DC,Ding M,Pham QV,et al.联邦学习在边缘计算中遇到区块链:机遇和挑战。IEEE Internet Things J 2021;8(16):12806-25.[18] Le THT,Tran NH,Tun YK等,无线蜂窝网络中联邦学习的激励机制:拍卖方法。IEEE Trans WirelessCommun 2021;20(8):4874-87.[19] Lim WYB , Huang J , Xiong Z , et al. Towards Federated Learning in uav-enabledInternet of Vehicles : A multidimensional contract-matching approach.IEEETrans Intell Transp Syst 2021;22(8):5140-54.[20] 陆毅,黄旭,戴毅,等.城市信息化中移动边缘计算的差分私有异步联邦学习。IEEETrans IndustrInf 2019;16(3):2134-43.[21] Khan LU,Pandey SR,Tran NH,et al.边缘网络的联邦学习:资源优化和激励机制。IEEE Commun Mag 2021;58(10):88-93.[22] Chen D,Hong CS,Wang L,et al.基于匹配理论的mec网络多任务联邦学习的低延迟方案. IEEE Internet Things J2021;8(14):11415-26.[23] Samarakoon S,Bennis M,Saad W,et al. Distributed federated learningforultra-reliablelow-latencyvehiclecommunications.IEEETransCommun2019;68(2):1146-59.[24] Jasim NA,TH H,Rikabi SAL.基于物联网的智慧城市应用设计与实现。Int JInteractive Mobile Technol 2021;15(13):4-15.[25] LuY,Huang X,Zhang K,et al. 低延迟联邦学习和区块链在数字孪生授权6G网络中的边缘关联。IEEE TransIndustr Inf 2020;17(7):5098-107.[26] Lim WYB , Luong NC , Hoang DT , et al. Federated Learnin
下载后可阅读完整内容,剩余1页未读,立即下载
cpongm
- 粉丝: 4
- 资源: 2万+
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功