关于车联网联邦学习中可信信誉管理方法的研究

【摘  要】联邦学习由于其分布式、隐私保护等特点有望应用到车联网中，然而由于缺少相应的本地模型质量验证机制，全局模型容易受到恶意用户的攻击从而导致模型训练的准确率降低。提出一种车联网中分层区块链使能的联邦学习信誉管理架构。首先介绍整个架构的组成以及具体的工作流程，然后设计智能合约为系统提供更加灵活可信的信誉意见共享环境，并开发一种轻量级的区块链共识算法，以提升区块链的运行效率。仿真结果表明所提方法能够筛选出恶意用户，同时保证数据隐私和安全，从而提高FL的准确性。

【关键词】联邦学习；车联网；信誉管理

0   引言

自动驾驶汽车需要从海量数据中学习与驾驶相关的功能[1-4]。与传统的分布式机器学习技术相比，联邦学习（Federated Learning, FL）由于其分布式、增强隐私保护等特性，可以在不共享原始数据的前提下实现大规模分布式训练[5-8]。随着通信技术的发展，自动驾驶汽车可以通过加入FL来实现协作式环境感知、协同决策、交通流预测等。因此，借助于FL，车辆可以从数据提供者向智能共享范式转变，有助于降低自动驾驶的开发成本，为自动驾驶的发展和运行提供显著的好处[9]。

目前将FL应用于车联网领域受到广泛研究。文献[10]介绍了一种用于自动驾驶车辆的端到端FL方法，并通过车轮转向角预测验证了所提出的方法&