[發明專利]邊緣計算架構下的差分私有多源無線信號指紋融合室內定位方法

有效

• 申請號: 202010915760.0
• 申請日: 2020-09-03
• 公開（公告）號: CN111988845B
• 公開（公告）日: 2022-02-22
• 發明（設計）人: 張學軍;陳前;鮑俊達;何福存;蓋繼揚;杜曉剛;黃海燕;巨濤
• 申請（專利權）人: 蘭州交通大學
• 主分類號: H04W64/00
• 分類號: H04W64/00;H04W12/00;H04W4/33;H04W4/80;H04W84/12;H04L67/10;G06K9/62;G01S5/02
• 代理公司: 蘭州智和專利代理事務所(普通合伙) 62201
• 代理人: 張英荷

1.一種邊緣計算架構下的差分私有多源無線信號指紋融合室內定位方法，其特征在于，

假設和用戶關聯的邊緣設備擁有大量從室內區域的不同熱點，即Access Point，AP，收集到的大量Wi-Fi和藍牙BLE接收信息強度，即Received Signal Strength，RSS數據，包含帶標記和未帶標記的樣本，并且為了能夠獲取期望的室內定位服務，都愿意給室內定位模型提供數據進行訓練；

假設邊緣服務器是不可信的，所有未經隱私保護處理的RSS數據都將被暴露給邊緣服務器，惡意攻擊者會通過俘獲邊緣服務器，獲取到用戶的私人數據集，造成用戶的隱私泄露；要避免將未經隱私保護處理的數據集直接暴露給邊緣服務器；

假設云服務器是不可信的，它會接收由邊緣服務器發送過來的所有處理后的數據集，通過分析數據集以及模型訓練參數來推理出用戶的敏感信息，因此，要避免將未經隱私保護處理的訓練參數以及數據集直接暴露給云服務器；具體包括下列步驟：

步驟A：邊緣設備在將自己擁有的RSS數據發送給半可信邊緣節點之前，先將原始的RSS數據切分為有標記的數據和無標記的數據，并將拉普拉斯噪聲添加到有標記的樣本數據中，對數據進行模糊化處理，處理完后再將擾動后的RSS數據隨機發送到附近的邊緣節點進行WiFi和BLE的RSS數據聚合操作；

步驟B：邊緣節點接收到來自邊緣設備的數據后，先將相同位置收集到的WiFi和BLE的RSS數據進行聚合，并對其進行統一標定后發送給邊緣服務器；

步驟C：邊緣服務器將接收到的噪聲標記樣本和未標記樣本整合在一起，并利用圖拉普拉斯流行約束對WiFi和BLE的RSS數據進行特征融合，因為邊緣服務器是不可信的，為了保證融合過程中數據隱私安全性，邊緣服務器需要向WiFi和BLE的RSS數據特征融合過程添加可控拉普拉斯噪聲，并將所有經過差分私有擾動處理后的數據集發送到云服務器；

步驟D：云服務器首先從邊緣服務器接收經過差分私有擾動且融合后的RSS數據集，并利用云服務器強大的學習能力，擬合學習參數，進行滿足ε-差分隱私的室內定位機器學習模型訓練，并生成安全可信的室內定位模型。

2.根據權利要求1所述的邊緣計算架構下的差分私有多源無線信號指紋融合室內定位方法，其特征在于：

步驟A詳細過程如下：

將從用戶的邊緣設備收集來的RSS訓練樣本X_N切分為兩部分：有標記的樣本X_L和無標記的樣本X_U，對RSS數據中的有標記樣本X_L添加樣本自適應的可控隨機噪聲N₀/N×Laplace(Δf/ε₁)，用來模糊X_L與其真實標簽向量T的關聯，進而降低邊緣節點與RSS信息敏感記錄的耦合度，這樣，就得到了經過差分私有隱私保護處理的有標記樣本X′_L，X′_L可表示為：

X′_L＝X_L+N₀/N×Laplace(Δf/ε₁)

其中，N₀表示有標記樣本的數量，N表示訓練樣本總數，N₀/N表示訓練樣本的標定比例，將X′_L、X_U和T組合在一起就能得到隱私保護處理后的訓練集[T，[X′_L，X_U]]；ε₁、ε₂、ε₃、ε₄都是全局隱私保護預算ε的一個子預算，這一處理階段可提供(ε₁＝ε/4)-差分隱私保護；Δf計算如下：

X′_L＝reshape(X′_L，width，height)

Δf＝|max(min(mean(X′_L，axis＝1))-min(mean(X′_L，axis＝1))|

其中reshape(，)表示在不改變列表內容的情況下對列表進行重新排列；reshape(X′_L，width，height)表示將一維的數組X′_L轉換為一個widht*height的二維數組；max(·)表示求元素中的最大值、min(·)表示求元素中的最小值、mean(·)表示求元素的均值，當axis＝1，表示對二維列表中的每行元素求均值；Δf是全局敏感度參數。