FLPP:一个基于联邦学习的隐私保护计划,用于移动边缘计算.
Zhimo Cheng1, Xinsheng Ji1,2, Wei You1
1Department of Next-Generation Mobile Communication and Cyber Space Security, Information Engineering University, Zhengzhou 450002, China.
Entropy (Basel, Switzerland)
|November 24, 2023
概括
本研究引入了一个联合学习隐私保护计划 (FLPP),以平衡移动边缘计算中的数据安全性和准确性. 通过动态调整隐私级别以确保安全和准确的数据共享,FLPP提高了整体性能.
科学领域:
- 移动边缘计算 移动边缘计算
- 数据 隐私 数据 隐私 数据
- 联邦学习学习 (Federated Learning) 是一种学习方式.
背景情况:
- 移动边缘计算 (MEC) 中的数据共享对于创新至关重要,但面临着重大的数据隐私风险.
- 现有的方法,如联合学习 (FL),通过传输模型参数而不是原始数据来保护数据,并使用隐私增强技术 (PET) 来防止推断攻击.
- 然而,PET可以降低训练准确度,在安全性和数据实用性之间产生权衡,特别是在动态的MEC环境中.
研究的目的:
- 提出一种基于联合学习的新型隐私保护计划 (FLPP),以应对在MEC中平衡数据安全和准确性的挑战.
- 开发一个层次的适应差异隐私模型,用于动态的隐私级别调整.
- 为优化隐私保护政策设计一个差异进化算法.
主要方法:
- 联邦学习 (FL) 框架用于安全的数据处理.
- 层级自适应差异隐私模型用于动态隐私控制.
- 隐私政策优化的差异进化算法.
主要成果:
- 与现有方法相比,拟议的FLPP方案在整体性能方面显示出8-34%的优势.
- 层级自适应差异隐私模型有效地根据情况需求调整隐私水平.
- 不同进化算法成功确定了最佳的隐私政策.
结论:
- FLPP计划有效地使移动边缘计算环境中安全和准确的数据共享成为可能.
- 提出的方法成功地减轻了数据安全和培训准确性之间的权衡.
- 这项研究为在动态MEC系统中进行隐私保护数据分析提供了实用解决方案.


