[發(fā)明專利]面向邊緣計(jì)算的聯(lián)邦學(xué)習(xí)室內(nèi)定位隱私保護(hù)方法

有效

• 申請?zhí)枺?/td>: 202010645474.7
• 申請日: 2020-07-07
• 公開（公告）號: CN111866869B
• 公開（公告）日: 2023-06-23
• 發(fā)明（設(shè)計(jì)）人: 張學(xué)軍;何福存;陳前;蓋繼揚(yáng);鮑俊達(dá);巨濤;黃海燕;杜曉剛
• 申請（專利權(quán)）人: 蘭州交通大學(xué)
• 主分類號: G06F16/587
• 分類號: G06F16/587;H04W12/02;H04W16/22;H04W64/00
• 代理公司: 蘭州智和專利代理事務(wù)所(普通合伙) 62201
• 代理人: 張英荷

1.一種面向邊緣計(jì)算的聯(lián)邦學(xué)習(xí)室內(nèi)定位隱私保護(hù)方法，假設(shè)邊緣節(jié)點(diǎn)是半可信的，多個邊緣節(jié)點(diǎn)間不具備通信能力，無法串通獲取用戶的完整信息，為了保障用戶的隱私安全，邊緣節(jié)點(diǎn)之間也呈信息孤島狀存在；假設(shè)云服務(wù)器是不可信的，它會盡力獲取室內(nèi)定位模型的訓(xùn)練數(shù)據(jù)集，通過分析訓(xùn)練數(shù)據(jù)集來揭露用戶的敏感信息；因此，要避免將未經(jīng)隱私保護(hù)處理的真實(shí)數(shù)據(jù)直接暴露給云服務(wù)器；具體包括下列步驟：

步驟A：用戶的終端設(shè)備通過無線傳感器信標(biāo)收集無線信號強(qiáng)度RSSI數(shù)據(jù)(x，y)，并對x添加可控的隨機(jī)拉普拉斯噪聲Laplace(1/ε_u)，在數(shù)據(jù)共享前對收集到的RSSI數(shù)據(jù)進(jìn)行差分?jǐn)_動處理，保證RSSI數(shù)據(jù)發(fā)送至邊緣節(jié)點(diǎn)上的隱私安全，然后將處理后的RSSI數(shù)據(jù)發(fā)送到附近的邊緣節(jié)點(diǎn)，其中x為用戶的終端設(shè)備收集到的多個AP信號的集合，y為用戶所處位置，ε_u為隱私預(yù)算；

步驟A詳細(xì)過程如下：

用戶終端設(shè)備在共享RSSI數(shù)據(jù)前，對RSSI數(shù)據(jù)中的x添加可控隨機(jī)拉普拉斯噪聲Laplace(1/ε_u)，在數(shù)據(jù)共享前對RSSI數(shù)據(jù)進(jìn)行差分?jǐn)_動處理，保證RSSI數(shù)據(jù)發(fā)送到邊緣節(jié)點(diǎn)的隱私安全；差分?jǐn)_動后的RSSI數(shù)據(jù)為(x′，y)，其中x′可表示為：

x′＝x+Laplace(Δf/ε_u)

其中，Laplace(·)為滿足拉普拉斯分布的可控隨機(jī)噪聲，添加的噪聲量由敏感度Δf控制；其中ε_u為分配給用戶在終端設(shè)備上進(jìn)行差分?jǐn)_動的隱私保護(hù)預(yù)算，Δf計(jì)算如下：

其中reshape(，)表示在不改變列表內(nèi)容的情況下對列表進(jìn)行重新排列；x′指reshape前的一維數(shù)據(jù)，而指reshape后widht*height的二維數(shù)據(jù)；max(，)表示求元素的中最大值、min(，)表示求元素的中最小值、mean(，)表示求元素的均值，當(dāng)axis＝1，表示對二維列表中的每行元素求均值；

步驟B：邊緣節(jié)點(diǎn)收集附近多個終端設(shè)備上傳的經(jīng)過隱私保護(hù)處理的RSSI數(shù)據(jù)，并對這些數(shù)據(jù)進(jìn)行聚合；然后利用這些聚合數(shù)據(jù)進(jìn)行本地子模型訓(xùn)練，最后，各個邊緣節(jié)點(diǎn)將訓(xùn)練好的本地子模型參數(shù)上傳到云服務(wù)器；

步驟B詳細(xì)過程如下：

邊緣節(jié)點(diǎn)將接收到的來自不同用戶的RSSI數(shù)據(jù)進(jìn)行聚合，形成本地子模型所需的訓(xùn)練數(shù)據(jù)集(X′^edge，Y^edge)，其中，edge僅用于標(biāo)識該數(shù)據(jù)是在邊緣節(jié)點(diǎn)上對來自各個用戶的RSSI數(shù)據(jù)進(jìn)行聚合后的數(shù)據(jù)，并不參與任何運(yùn)算，表示第i條數(shù)據(jù)樣本，表示該樣本對應(yīng)的標(biāo)簽值；對于本地子模型訓(xùn)練，任意一個邊緣節(jié)點(diǎn)edge上模型訓(xùn)練的優(yōu)化目標(biāo)是：

其中，表示邊緣節(jié)點(diǎn)收集的經(jīng)差分?jǐn)_動后的數(shù)據(jù)，f_u表示待學(xué)習(xí)的本地子模型，表示將數(shù)據(jù)輸入到模型訓(xùn)練后模型的輸出結(jié)果，l(·，·)表示模型在數(shù)據(jù)上的損失，表示模型在數(shù)據(jù)集(X′^edge，Y^edge)上的總損失，對于分類任務(wù)l(·，·)是一個標(biāo)準(zhǔn)的交叉熵?fù)p失，Θ^edge表示所有待學(xué)習(xí)的參數(shù)，包括權(quán)重和偏置項(xiàng)；

步驟C：云服務(wù)器首先對多個邊緣節(jié)點(diǎn)上傳的模型參數(shù)進(jìn)行差分私有聚合，混淆各個邊緣節(jié)點(diǎn)的的實(shí)際貢獻(xiàn)；然后，通過端云協(xié)同的迭代方式更新模型參數(shù)直到模型達(dá)到最優(yōu)；最后，將訓(xùn)練好的最優(yōu)室內(nèi)定位模型下發(fā)至各邊緣節(jié)點(diǎn)，為用戶提供實(shí)時、安全、準(zhǔn)確地室內(nèi)定位服務(wù)；步驟C詳細(xì)過程如下：

云服務(wù)器接受來自N個不同邊緣節(jié)點(diǎn)上傳的本地子模型參數(shù)，并對這些模型參數(shù)進(jìn)行滿足差分隱私保護(hù)的聚合和更新操作，云端模型的更新可以形式化為：

其中，w_s為云端模型目標(biāo)參數(shù)，w_i為N個本地子模型參數(shù)，i＝1，2，...，N，以此為原則，不斷迭代，實(shí)現(xiàn)云端模型和本地子模型的協(xié)同更新。