CN110602129B - 基于效用机制平均一致性隐私保护优化方法 - Google Patents
基于效用机制平均一致性隐私保护优化方法 Download PDFInfo
- Publication number
- CN110602129B CN110602129B CN201910902240.3A CN201910902240A CN110602129B CN 110602129 B CN110602129 B CN 110602129B CN 201910902240 A CN201910902240 A CN 201910902240A CN 110602129 B CN110602129 B CN 110602129B
- Authority
- CN
- China
- Prior art keywords
- node
- privacy protection
- privacy
- formula
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明公开了一种基于效用机制平均一致性隐私保护优化方法,首先对网络G进行系统图论相关分析并用无向图表示,然后进行基于噪声的隐私保护一致性算法设计,接着分别对隐私保护一致性算法的(α,γ)‑收敛时间、(ε,δj)‑隐私度进行设计,最后基于效用机制对隐私保护一致性算法收敛时间进行了优化。本发明基于效用机制激励用户降低隐私保护需求,进而实现节点用户保护度和网络收敛时间的折中,能有效解决多智能体平均一致性的节点隐私泄露问题。
Description
技术领域
本发明涉及多智体数据处理方法领域,具体是一种基于效用机制平均一致性隐私保护优化方法。
背景技术
在多智能体一致性中,通过多智能体(或称为节点)间的数据交换,最终实现所有智能体的状态能够趋于一致。例如多机器人通过相互协调使得运动速度趋于一致,或者到达某一集合点(位置趋于一致)。然而,通过侦听网络中多智能体间交换的信息,网络中的恶意节点或攻击节点可以推断出节点的初始信息,甚至是趋同信息,极大威胁到多智能体的数据隐私性。数据隐私保护的目标是保护数据中的隐私信息,同时让经过隐私保护算法处理过的数据在被挖掘、分析后,最终得出的结论与原始数据的结论一致。
发明内容
本发明的目的是提供一种基于效用机制平均一致性隐私保护优化方法,基于效用机制激励节点降低隐私保护需求,以收敛时间为目标优化添加噪声的方差,以解决现有技术多智能体平均一致性的隐私泄露问题。
为了达到上述目的,本发明所采用的技术方案为:
基于效用机制平均一致性隐私保护优化方法,其特征在于:包括以下步骤:
(1)、系统图论相关分析:
用无向图来表征网络G中节点间的通信关系,即G=(V,E,W),其中:
V为网络节点集合,V={1,2,...,N},N表示节点数目;
W表示N个节点间的邻接权重,W∈RN×N;
若{i,j}∈E,则表示节点j为节点i的邻居节点,设节点i的邻居节点集为Ni,则Ni={j|(i,j)∈E,i≠j},节点i的入度记为di,有di=|Ni|,网络G的入度矩阵记为D,其主对角线线上元素有Dii=diag{di},其余元素为零,网络G的拉普拉斯矩阵L=D-W;
(2)、基于噪声的隐私保护一致性算法设计:
设节点j初始状态为xj(0),为了保护节点j的初始状态xj(0)不被网络中其它节点获取,在广播k时刻节点j的状态为xj(k)时,向气(k)注入随机噪声φj(k),注入的随机噪声φj(k)按照公式(1)设计:
然后,按照公式(2)得到节点j的加噪状态x′j(k)以及状态xi(k)的信息更新:
公式(2)中,μ表示更新增益,且更新增益μ设计为0<μ<1,公式(2)中的邻接权重Wji按照公式(3)设计:
公式(3)中,dj和di表示节点j和i的入度;
(3)、隐私保护一致性算法的(α,γ)-收敛时间设计:
则步骤(2)中隐私保护一致性算法的(α,γ)-收敛时间k*具有公式(4)所示的下界:
(4)、隐私保护一致性算法的(ε,δj)-隐私度设计:
节点j的隐私度定义为如公式(5)所示:
且公式(5)满足:
公式(6)中,Φj为节点j所有随机噪声{φj(k),k≥1}的集合,为k=0时刻随机噪声φj(0)的概率密度函数;在φj(0)服从均值为0、方差为的均匀分布时,步骤(2)中隐私保护一致性算法中节点j的隐私保护度δj如公式(7)所示:
(5)、基于效用机制的隐私保护一致性算法收敛时间优化:
在网络G中,记N个节点数据分享的总收益为B,定义节点j的效用uj如公式(8)所示:
公式(8)中∈j>0为节点j的隐私保护因子;
定义隐私需求度pj∈(0,1)来表征节点j对隐私保护的需求度,则节点j的隐私保护因子如公式(9)所示:
根据隐私需求度pj计算,则基于效用机制的(α,γ)-收敛时间k*优化如公式(10)所示:
公式(10)中,σ=[σ1,...,σN]T为网络G的噪声方差向量,收敛时间优化问题中公式(10)的解为:
则节点j的隐私保护度δj按公式(12)计算:
与现有技术相比,本发明优点为:
针对多智能体一致性中节点初始状态隐私泄露问题,以及不同节点对隐私保护度需求不同,本发明基于效用机制激励节点降低隐私保护需求,以收敛时间为目标优化添加噪声的方差,实现添加噪声的优化设计,得到一种基于效用机制的隐私保护平均一致性方法,在满足节点隐私保护度需求下降低平均一致性算法的收敛时间。
附图说明
图1是本发明方法原理图。
图2是本发明具体实施方式中仿真分析网络拓扑图。
图3是本发明具体实施方式中仿真分析网络节点状态迭代和收敛时间CDF曲线,其中图3a是网络节点状态迭代曲线,图3b是收敛时间CDF曲线。
图4是本发明具体实施方式中仿真分析N=9个节点的隐私需求度、隐私保护度和效用曲线图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
如图1所示,基于效用机制平均一致性隐私保护优化方法,包括以下步骤:
(1)、系统图论相关分析:
用无向图来表征网络G中节点间的通信关系,即G=(V,E,W),其中:
V为网络节点集合,V={1,2,...,N},N表示节点数目;
W表示N个节点间的邻接权重,W∈RN×N;
若{i,j}∈E,则表示节点j为节点i的邻居节点,设节点i的邻居节点集为Ni,则Ni={j|(i,j)∈E,i≠j},节点i的入度记为di,有di=|Ni|,网络G的入度矩阵记为D,其主对角线线上元素有Dii=diag{di},其余元素为零,网络G的拉普拉斯矩阵L=D-W;
(2)、基于噪声的隐私保护一致性算法设计:
设节点j初始状态为xj(0),为了保护节点j的初始状态xj(0)不被网络中其它节点获取,在广播k时刻节点j的状态为xj(k)时,向xj(k)注入随机噪声φj(k),注入的随机噪声φj(k)按照公式(1)设计:
然后,按照公式(2)得到节点j的加噪状态x′j(k)以及状态xi(k)的信息更新:
公式(2)中,μ表示更新增益,且更新增益μ设计为0<μ<1,公式(2)中的邻接权重Wji按照公式(3)设计:
公式(3)中,dj和di表示节点j和i的入度;
(3)、隐私保护一致性算法的(α,γ)-收敛时间设计:
则步骤(2)中隐私保护一致性算法的(α,γ)-收敛时间k*具有公式(4)所示的下界:
(4)、隐私保护一致性算法的(ε,δj)-隐私度设计:
节点j的隐私度定义为如公式(5)所示:
且公式(5)满足:
公式(6)中,Φj为节点j所有随机噪声{φj(k),k≥1}的集合,为k=0时刻随机噪声φj(0)的概率密度函数;在φj(0)服从均值为0、方差为的均匀分布时,步骤(2)中隐私保护一致性算法中节点j的隐私保护度δj如公式(7)所示:
(5)、基于效用机制的隐私保护一致性算法收敛时间优化:
在网络G中,记N个节点数据分享的总收益为B,定义节点j的效用uj如公式(8)所示:
公式(8)中∈j>0为节点j的隐私保护因子;
定义隐私需求度pj∈(0,1)来表征节点j对隐私保护的需求度,则节点j的隐私保护因子如公式(9)所示:
根据隐私需求度pj计算,则基于效用机制的(α,γ)-收敛时间k*优化如公式(10)所示:
公式(10)中,σ=[σ1,...,σN]T为网络G的噪声方差向量,收敛时间优化问题中公式(10)的解为:
则节点j的隐私保护度δj按公式(12)计算:
仿真结果与分析:
图2给出了网络拓扑图:N=9个节点以网格形式布置在100*100m2区域内,其中实心圆代表节点,实线代表节点间的连接边。
图3a)和b)分别给出了基于效用机制的平均一致性隐私保护状态迭代曲线和收敛时间CDF曲线。从图3可以看出,本发明所提平均一致性隐私保护方法收敛,节点状态收敛于网络平均状态,且(10-4,0.1)-收敛时间k*为62,而根据(8)计算得到收敛时间上界为67。
图4给出了N=9个节点的隐私保护因子和隐私保护度。从图4可以看出,本发明所提基于效用机制的平均一致性隐私保护方法有效,节点隐私保护需求高,则隐私保护度小、节点效用低、收益少。
Claims (1)
1.基于效用机制平均一致性隐私保护优化方法,其特征在于:包括以下步骤:
(1)、系统图论相关分析:
用无向图来表征网络G中节点间的通信关系,即G=(V,E,W),其中:
V为网络节点集合,V={1,2,...,N},N表示节点数目;
W表示N个节点间的邻接权重,W∈RN×N;
若{i,j}∈E,则表示节点j为节点i的邻居节点,设节点i的邻居节点集为Ni,则Ni={j|(i,j)∈E,i≠j},节点i的入度记为di,有di=|Ni|,网络G的入度矩阵记为D,其主对角线线上元素有Dii=diag{di},其余元素为零,网络G的拉普拉斯矩阵L=D-W;
(2)、基于噪声的隐私保护一致性算法设计:
设节点j初始状态为xj(0),为了保护节点j的初始状态xj(0)不被网络中其它节点获取,在广播k时刻节点j的状态为xj(k)时,向xj(k)注入随机噪声φj(k),注入的随机噪声φj(k)按照公式(1)设计:
然后,按照公式(2)得到节点j的加噪状态x′j(k)以及状态xi(k)的信息更新:
公式(2)中,μ表示更新增益,且更新增益μ设计为0<μ<1,公式(2)中的邻接权重Wji按照公式(3)设计:
公式(3)中,dj和di表示节点j和i的入度;
(3)、隐私保护一致性算法的(α,γ)-收敛时间设计:
则步骤(2)中隐私保护一致性算法的(α,γ)-收敛时间k*具有公式(4)所示的下界:
(4)、隐私保护一致性算法的(ε,δj)-隐私保护度设计:
节点j的隐私保护度定义为如公式(5)所示:
且公式(5)满足:
公式(6)中,Φj为节点j所有随机噪声{φj(k),k≥1}的集合,为k=0时刻随机噪声φj(0)的概率密度函数;在φj(0)服从均值为0、方差为的均匀分布时,步骤(2)中隐私保护一致性算法中节点j的隐私保护度δj如公式(7)所示:
(5)、基于效用机制的隐私保护一致性算法收敛时间优化:
在网络G中,记N个节点数据分享的总收益为B,定义节点j的效用uj如公式(8)所示:
公式(8)中∈j>0为节点j的隐私保护因子;
定义隐私需求度pj∈(0,1)来表征节点j对隐私保护的需求度,则节点j的隐私保护因子如公式(9)所示:
根据隐私需求度pj计算,则基于效用机制的(α,γ)-收敛时间k*优化如公式(10)所示:
公式(10)中,σ=[σ1,...,σN]T为网络G的噪声方差向量,收敛时间优化问题中公式(10)的解为:
则节点j的隐私保护度δj按公式(12)计算:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910902240.3A CN110602129B (zh) | 2019-09-24 | 2019-09-24 | 基于效用机制平均一致性隐私保护优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910902240.3A CN110602129B (zh) | 2019-09-24 | 2019-09-24 | 基于效用机制平均一致性隐私保护优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110602129A CN110602129A (zh) | 2019-12-20 |
CN110602129B true CN110602129B (zh) | 2021-08-20 |
Family
ID=68862490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910902240.3A Active CN110602129B (zh) | 2019-09-24 | 2019-09-24 | 基于效用机制平均一致性隐私保护优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110602129B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111781822B (zh) * | 2020-07-09 | 2022-02-22 | 重庆邮电大学 | 一种多智能体系统的隐私保护分组一致性控制方法 |
CN112713612B (zh) * | 2020-12-29 | 2024-03-29 | 苏州科技大学 | 微电网领导-跟随快速一致性多目标调度隐私保护方法 |
CN114326403B (zh) * | 2021-12-30 | 2024-03-29 | 杭州电子科技大学 | 基于节点信息隐私保护的多智能体系统安全趋同控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110018028A (ko) * | 2009-08-17 | 2011-02-23 | 이화여자대학교 산학협력단 | 정보 관리 방법 |
CN105512247A (zh) * | 2015-11-30 | 2016-04-20 | 上海交通大学 | 基于一致性特征的非交互式差分隐私发布模型的优化方法 |
CN108804950A (zh) * | 2018-06-09 | 2018-11-13 | 海南大学 | 基于数据图谱,信息图谱和知识图谱的建模与数据隐私保护方法 |
CN110213279A (zh) * | 2019-06-10 | 2019-09-06 | 安徽理工大学 | 基于隐私保护的动态网络平均共识算法 |
-
2019
- 2019-09-24 CN CN201910902240.3A patent/CN110602129B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110018028A (ko) * | 2009-08-17 | 2011-02-23 | 이화여자대학교 산학협력단 | 정보 관리 방법 |
CN105512247A (zh) * | 2015-11-30 | 2016-04-20 | 上海交通大学 | 基于一致性特征的非交互式差分隐私发布模型的优化方法 |
CN108804950A (zh) * | 2018-06-09 | 2018-11-13 | 海南大学 | 基于数据图谱,信息图谱和知识图谱的建模与数据隐私保护方法 |
CN110213279A (zh) * | 2019-06-10 | 2019-09-06 | 安徽理工大学 | 基于隐私保护的动态网络平均共识算法 |
Non-Patent Citations (1)
Title |
---|
A practical approach to consensus based control of multi-agent systems;Shawkat Ali; Salman Ahmed; Safdar Nawaz Khan Marwat;《2018 International Symposium on Recent Advances in Electrical Engineering (RAEE)》;20190506;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110602129A (zh) | 2019-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110602129B (zh) | 基于效用机制平均一致性隐私保护优化方法 | |
Goos et al. | D-optimal split-plot designs with given numbers and sizes of whole plots | |
Sheng et al. | Distributed resilient filtering for time-varying systems over sensor networks subject to Round-Robin/stochastic protocol | |
Chen et al. | An adaptive robustness evolution algorithm with self-competition and its 3d deployment for internet of things | |
Huang et al. | Asymptotic oracle properties of SCAD-penalized least squares estimators | |
CN113891244B (zh) | 一种DoS攻击下的无线传感器网络定位方法 | |
CN111723399A (zh) | 一种基于k-核的大规模社会网络有向图隐私保护方法 | |
CN115378813B (zh) | 一种基于差分隐私机制的分布式在线优化方法 | |
Alanwar et al. | Distributed secure state estimation using diffusion Kalman filters and reachability analysis | |
JP2022013823A (ja) | 人工ニューラルネットワークによって分散型ネットワークの健全性ステータス(health status)を予測するための方法 | |
CN113312635B (zh) | 一种基于状态隐私保护的多智能体容错一致性方法 | |
Kibangou et al. | Identification of parallel-cascade Wiener systems using joint diagonalization of third-order Volterra kernel slices | |
Holmgren et al. | Asymptotic distribution of two-protected nodes in ternary search trees | |
Li et al. | Robust federated learning using admm in the presence of data falsifying byzantines | |
Laszlo et al. | Optimal univariate microaggregation with data suppression | |
CN116684152A (zh) | 一种针对多攻击者的主动防御方法、装置和系统 | |
CN103200034B (zh) | 一种基于谱约束和敏感区划分的网络用户结构扰动方法 | |
CN114065518B (zh) | 一种干扰资源分配方法及系统 | |
CN115933597A (zh) | 控制系统的参数整定方法、系统及计算机设备 | |
CN114139156A (zh) | 一种基于博弈论的微电网信息物理系统防御方法 | |
Li et al. | Image restoration using improved particle swarm optimization | |
Khanum et al. | Hybridization of Adaptive Differential Evolution with an Expensive Local Search Method | |
CN107623586B (zh) | 网络链路预测方法及装置 | |
CN116679753B (zh) | 一种异构无人系统抗欺骗攻击的编队跟踪控制方法 | |
CN112422573A (zh) | 攻击路径还原方法、装置、设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |