[发明专利]基于移动边缘计算的用户数据隐私保护方法

说明书

本发明公开了一种基于移动边缘计算的用户数据隐私保护方法，包括以下步骤：S1、车辆向RSU发起数据收集及任务处理申请；S2、RSU接收到任务数据收集及处理的申请后，将申请上传至CN；S3、车辆和RSU收集周边车辆的任务数据集；S4、训练局部交通管理模型；S5、CN收集聚合当前时刻N个Agent训练的局部模型参数和局部损失函数梯度，并更新下一时刻的全局模型参数和全局损失函数梯度，将更新后的全局模型参数和全局损失函数梯度反馈给每个Agent；S6、重复S4到S5的步骤，直至聚合后的全局模型达到需求的全局精度要求。本发明的数据隐私保护方法采用FL和MEC相结合的交通数据处理机制为车辆用户的数据提供安全的隐私保护，可以很好地保护了车辆用户的任务数据隐私。

技术领域

本发明属于无线通讯技术领域，具体涉及一种基于移动边缘计算的用户数据隐私保护方法。

背景技术

随着机动化程度的不断提高和交通需求的不断增长，城市道路交通面临着以下挑战：①城市交通拥堵严重，公共交通对交通出行的支撑不够；②运输效率低下，能源消耗率较高；③交通安全形势严峻；④机动车污染物的排放对环境的影响日益加剧。为了解决这些问题，智能交通系统(Intelligent Transportation Systems，ITS)在20世纪70年代初应运而生。智能交通系统(Intelligent Transportation Systems，ITS)将信息和通信技术整合到交通管理中，为我们带来了安全、高效、可持续的交通网络。在ITS的运行过程中，对车辆行驶模式、行人行为特征、道路拥堵状态等各类数据的检测和分析，构成了交通管理和调度的信息基础。

随着智能汽车和强大的交通传感器的普及，车辆收集到的数据量渐渐从tb级发展到pb级。面对如此巨大的数据量，传统的数据优化和数据处理算法已经无法满足系统在严格的时延约束下完成数据分析的需求，因此基于智能机器学习的移动边缘服务应运而生。

现有的移动边缘服务主要包括移动边缘计算和移动边缘缓存(mobile edgecaching)。MEC技术由欧洲电信标准化协会(European Telecommunications StandardsInstitute,ETSI)在2014年提出，旨在为无线移动节点的信息处理提供强大的计算服务支持并满足其严格的时延约束要求。该技术通过布放在无线接入网边缘的计算服务器为其邻近区域中的移动节点提供所需的计算处理服务，既满足了无线节点设备计算能力的扩展需求，也弥补了核心云计算服务耗时较长的缺陷。作为万物互联应用的一种核心计算支撑平台，边缘计算已成为物联网中不可或缺的重要部分。

基于机器学习的MEC为移动网络边缘提供了更智能的计算能力，对网络边缘数据的转换、处理和存储等带来了更好的技术支持。基于机器学习的MEC让大数据能够针对实际的网络场景进行自动规划，实现人类用户与移动网络信息之间的协调，使得在严格的时延约束下完成高数据量任务成为可能。

目前针对基于机器学习的MEC的研究大多数采用集中式的智能学习算法。集中式学习算法的实现需要从各个用户处收集数据并将它们集中存储在MEC服务器上,在传输过程中可能会涉及用户数据隐私的泄露问题。

FL是一种很有前途的解决数据安全问题的技术。由于FL在多个分散的边缘设备上建立基于本地数据样本的训练学习模型，且不需要在设备之间共享数据样本只需要向第三方合作者提供本地模型参数，FL具有良好的用户数据隐私保护性能。与集中式学习相比，FL还具有更好的灵活性和更高的容错率。FL不依赖于Agent之间的同步，即使Agent与第三方合作者失去了连接，Agent仍然可以利用本地训练的学习模型对车辆进行规划与指导。

目前，针对基于FL的MEC的研究主要集中在以下几个方面：