在基于费舍尔信息矩阵的VANET中用于入侵检测的差异隐私的 Sparsified联合学习

科学领域:

• 网络安全 网络安全
• 网络安全 网络安全
• 机器学习 机器学习

背景情况:

• 车辆特设网络 (VANET) 的安全性对于自动驾驶系统至关重要.
• 联合学习 (FL) 提供保护隐私的模型培训,但面临通过共享参数泄露信息的风险.
• 差异隐私 (DP) 可以减轻这些风险,但可能会影响模型的准确性并增加成本.

研究的目的:

• 提出FFIDS,这是一个用于VANET入侵检测的新型联合学习算法.
• 为了解决隐私,准确性和通信成本之间的权衡,在DP增强的FL.
• 为了减少VANET的隐私预算消耗和FL的通信开销.

主要方法:

• FFIDS集成参数修剪,以费舍尔信息矩阵为指导,具有差异隐私.
• 不重要的模型参数被削减,以创建紧的子模型,降低通信成本.
• 不同的隐私噪声被选择性地应用于子模型,保持重要的参数和准确性.

主要成果:

• 每次代,FFIDS显著降低了隐私预算的消耗.
• 该算法保持模型准确性,同时降低模型大小和通信成本.
• 在公共和模拟数据集上的实验验证证明了FFIDS的卓越性能.

结论:

• 在VANET入侵检测的联合学习中,FFIDS有效地平衡了隐私,准确性和效率.
• 参数修剪是一种可行的策略,可以在资源有限的环境中优化DP增强的FL.
• 拟议的方法提供了一个实际的解决方案,通过私有和高效的机器学习来提高VANET的安全性.