[发明专利]一种汽车智能网联车机的数据安全保护方法

权利要求书

1.一种汽车智能网联车机的数据安全保护方法，应用于车载主机，所述车载主机为服务器中目标模型联邦学习的一个节点，用于接收目标模型，其特征在于：所述方法包括：

车载主机中设置Shuffle模型，由Shuffle模型接收服务器的模型参数，再将模型参数发送至车载主机中的目标模型；

当汽车在自动驾驶时，根据汽车自动驾驶产生的数据对所述车载终端中的目标模型进行训练，并得到训练后目标模型的节点参数；

将节点参数上传至Shuffle模型中进行加密化，然后由Shuffle模型将加密的节点参数上传至服务器，服务器对其进行解密，根据解密后的节点参数更新服务器中的目标模型。

2.根据权利要求1所述的汽车智能网联车机的数据安全保护方法，其特征在于：所述Shuffle模型采用的是内部打乱类型的Knuth-Durstenfeld Shuffle算法。

3.根据权利要求2所述的汽车智能网联车机的数据安全保护方法，其特征在于：所述的Knuth-Durstenfeld Shuffle算法的输入为数组大小为n的数组arr，分别存放1到n的数字；Knuth-Durstenfeld Shuffle算法的输出为处理后的数组arr′，实现步骤如下：

Step1：生成一个0到n-1的随机数x；

Step2：输出下标为x的数值，即为第一个随机数；

Step3：将arr当前的尾元素与第x个元素交换；

Step4：将步骤1改为生成一个0到n-2的随机数，并将arr的倒数第二个元素和下标为x的元素互换；

Step5：以步骤4类推，重复执行直到输出m个数为止。

4.根据权利要求3所述的汽车智能网联车机的数据安全保护方法，其特征在于：所述车载主机中的目标模型训练采用CNN作为模型训练的算法，CNN算法由以下几层构成：输入层、卷积层，ReLU层、池化层和全连接层，其中卷积层和全连接层中的参数会随着梯度下降被训练，训练过程采用反向传播算法来优化网络结构，通过不断的训练来求解网络中的未知参数。

5.根据权利要求3所述的汽车智能网联车机的数据安全保护方法，其特征在于：所述服务器中的目标模型更新采用局部随机梯度下降算法。

6.根据权利要求4所述的汽车智能网联车机的数据安全保护方法，其特征在于：所述局部随机梯度下降算法的输入包括目标函数f，模型初始值x₀，迭代次数T，通信周期k和学习率η_t，t∈{1，2，...，T}；所述局部随机梯度下降算法的输出为优化结果，实现步骤如下：

Step1：初始化：i表示车载

Step2：对每一轮的迭代t,在车载主机C_i上执行：随机从矩阵D_i中选择一个小批量并计算其对应的随机梯度：

Step3：如果迭代t是通信周期k的倍数，则令各个车载主机相互通信并更新模型：

Step4：如果迭代t是通信周期k的倍数，则局部更新模型：