CN111339554A - 基于移动边缘计算的用户数据隐私保护方法 - Google Patents

基于移动边缘计算的用户数据隐私保护方法 Download PDF

Info

Publication number
CN111339554A
CN111339554A CN202010096191.1A CN202010096191A CN111339554A CN 111339554 A CN111339554 A CN 111339554A CN 202010096191 A CN202010096191 A CN 202010096191A CN 111339554 A CN111339554 A CN 111339554A
Authority
CN
China
Prior art keywords
vehicle
rsu
agent
task
global
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.)
Granted
Application number
CN202010096191.1A
Other languages
English (en)
Other versions
CN111339554B (zh
Inventor
张科
曹佳钰
吴凡
冷甦鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202010096191.1A priority Critical patent/CN111339554B/zh
Publication of CN111339554A publication Critical patent/CN111339554A/zh
Application granted granted Critical
Publication of CN111339554B publication Critical patent/CN111339554B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/62—Protecting access to data via a platform, e.g. using keys or access control rules
    • G06F21/6218—Protecting access to data via a platform, e.g. using keys or access control rules to a system of files or objects, e.g. local or distributed file system or database
    • G06F21/6245—Protecting personal data, e.g. for financial or medical purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/56—Provisioning of proxy services
    • H04L67/568—Storing data temporarily at an intermediate stage, e.g. caching
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/10—Flow control between communication endpoints
    • H04W28/14—Flow control between communication endpoints using intermediate storage
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/46—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for vehicle-to-vehicle communication [V2V]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W40/00—Communication routing or communication path finding
    • H04W40/02—Communication route or path selection, e.g. power-based or shortest path routing
    • H04W40/22—Communication route or path selection, e.g. power-based or shortest path routing using selective relaying for reaching a BTS [Base Transceiver Station] or an access point

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioethics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

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。

Description

基于移动边缘计算的用户数据隐私保护方法
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：
(1)特定边缘节点作为Agent(参考文献：Xiaofei Wang,Yiwen Han,ChenyangWang.In-Edge AI:Intelligentizing Mobile Edge Computing,Caching andCommunication by Federated Learning[M].IEEE Network,2019,33(5):156-165.)：该文提出了将深度强化学习技术和FL框架与移动边缘系统相结合的算法，对移动边缘计算、缓存和通信进行优化。利用设备给定边缘节点之间的协作交流更好的训练和推导模型，以实现动态系统级的优化和应用程序级的增强，同时减少不必要的系统通信负载。
(2)智能车辆作为Agent(参考文献：Sumudu Samarakoon,Mehdi Bennis,WalidSaad.Federated Learning for Ultra-Reliable Low-Latency V2V Communications[C].IEEE Global Communications Conference(GLOBECOM),2018.IEEE,Dec.9-13)：该文中智能车辆利用FL的原理，通过分散的方式估计车辆的队列长度，以确保通信的低延迟和高可靠性。然后利用李雅普诺夫优化方法，以分布式的方式找到每个智能车辆传输功率的分配策略和资源的分配策略，使超可靠低延迟通信(URLLC)在车辆网络中成为可能。
上述基于FL的MEC研究均采用了基于给定Agent的训练模式。然而这种不灵活的Agent选择并不适用于拓扑动态变化、潜在Agent设备多、通信带宽有限的车载移动边缘计算。
发明内容
本发明的目的在于克服现有技术中基于FL的MEC场景中不灵活的代理人选择导致的与拓扑动态变化、潜在Agent设备多、通信带宽有限的车联移动边缘网络无法匹配的问题，提出一种采用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的基于移动边缘计算的用户数据隐私保护方法。
本发明的目的是通过以下技术方案来实现的：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、当有交通管理相关事件发生时，车辆产生交通管理任务计算需求，并向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；CN为产生交通管理任务计算需求的车辆和RSU进行Agent选择和参数集成调度，同时根据缓存资源占用情况、任务时延要求、无线信道传输速率及资源成本选择边缘节点作为FL算法的Agent，并将Agent选择和参数集成的调度结果传输给RSU及该RSU覆盖范围内的车辆及其他RSU；
S3、车辆和RSU根据接收到的Agent选择结果，收集周边车辆的任务数据集Dp,p∈P，其中P为Agent的数目；
S4、每个Agent根据收集到的车辆任务数据集Dp、上一时刻的全局模型参数ω(t-1)和全局损失函数梯度
Figure BDA0002385361120000031
进行学习训练，训练出局部的交通管理模型，并根据接收到的参数集成调度结果，将训练得到的局部模型参数
Figure BDA0002385361120000032
和局部损失函数梯度
Figure BDA0002385361120000033
上传至CN；
S5、CN收集聚合当前时刻p个Agent训练的局部模型参数
Figure BDA0002385361120000034
和局部损失函数梯度
Figure BDA0002385361120000035
并根据公式
Figure BDA0002385361120000036
和
Figure BDA0002385361120000037
更新下一时刻的全局模型参数和全局损失函数梯度，并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。
进一步地，所述步骤S1中车辆向RSU发起的任务处理申请包括任务的最大容忍时间延迟
Figure BDA0002385361120000038
局部模型精确度σg、全局模型精确度θg、模型参数大小sg、单车含有的该任务所需的样本数据大小dv,g。
进一步地，所述步骤S2中进行Agent节点选择和参数集成调度的具体过程为：更新车联网络中各边缘节点的计算和缓存资源信息，列出道路中所有的Agent选择可能和参数集成可能，选择满足时延要求的最小化系统成本的Agent节点组合和参数集成方案。
进一步地，所述步骤S2具体包括以下分步骤：
S21、RSU更新车载移动边缘网络边缘节点信息；
S22、RSU将任务申请上传至CN，CN根据任务参数和车联MEC中的边缘节点信息，对所有待选的Agent选择和参数集成方案进行建模，计算其系统成本及时间延迟；
S23、根据所有待选的Agent选择和参数集成模型建立带约束的最优化问题，目标是在满足时延和缓存约束下最小化系统资源，并求解该最优化问题得到最优的Agent选择和参数集成策略；
S24、将最优的Agent选择和参数集成策略传输给RSU及其覆盖范围内的车辆。
进一步地，所述步骤S23中得到最优Agent选择和参数集成策略的算法为：
S231、根据系统模型构建基于FL的MEC的最小成本优化问题；
S232、采用次梯度下降算法联合拉格朗日乘子法来求解优化问题；
S233、列出原始问题的拉格朗日松弛函数L(P,U)和原始优化问题的对偶问题g(U)，其中P为决策变量集合，U为拉格朗日乘子集合；通过在乘子域约束条件下最大化g(U)函数，得到原始最小化问题的最优解；其中乘子集合利用次梯度下降的方法进行更新迭代，直到收敛到一个预先设置的阈值。
进一步地，基于FL的MEC的最小成本优化问题表示为：
Figure BDA0002385361120000041
Figure BDA0002385361120000042
Figure BDA0002385361120000043
Figure BDA0002385361120000044
Figure BDA0002385361120000045
Figure BDA0002385361120000046
Figure BDA0002385361120000047
Figure BDA0002385361120000048
其中
Figure BDA0002385361120000049
为车辆选择自身作为Agent的概率，
Figure BDA00023853611200000410
是车辆在n个区域内选择可信度最高的车辆作为代理的概率，
Figure BDA00023853611200000411
为车辆选择RSU作为代理的概率，
Figure BDA00023853611200000412
是代理车辆在n区域内通过RSU m与CN通信的概率，
Figure BDA00023853611200000413
是车辆选择自身作为Agent时通过RSU m与CN通信的概率，基于FL的MEC的总成本和延迟为
Figure BDA00023853611200000414
和
Figure BDA00023853611200000415
表示任务g的最大可容忍延迟，M表示RSU的数量，E表示将整个区域划分为E个子区域，
Figure BDA00023853611200000416
表示第m个RSU的缓存能力，cv表示车辆的缓存能力；假设全地图有Z个车辆，则分成E个子区域后，每个区域中除去作为代理人的车辆，剩余的车辆数目平均为N′＝Z/E-E。
进一步地，所述步骤S233中在乘子域约束条件下最大化g(U)函数的方法为：通过令L(P,U)对P的偏导为0，得到对应一组乘子U下的
Figure BDA00023853611200000417
的可行解；然后再通过次梯度下降的方法和这组可行解对乘子集合进行更新；一直循环更新直至乘子变化小于给定的阈值，得到g(U)的最大值。
进一步地，所述步骤S4中Agent将一直训练局部模型，直至局部模型的精确度达到了规定的局部精度，在CN进行一次模型参数聚合后，下一次Agent节点的局部模型训练将根据更新后的全局模型参数和全局损失函数梯度对局部模型参数进行更新。
本发明的有益效果是：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。使得车辆在计算复杂的交通管理任务时，不需要公开分享自身的车辆信息数据集，只需分享局部训练的模型的参数，即可最终形成准确的交通管理模型，同时很好地保护了车辆用户的任务数据隐私。此外，本发明采用了最优化的合作学习方案，通过自适应地选择智能车辆或RSU作为FL的Agent，使得该FL方案能够很好的适用于拓扑动态变化、潜在Agent设备多、传输摸样多样化的车载移动边缘计算环境，进而选出了使得系统成本最小的任务处理方案，充分利用了车辆边缘网络的计算和缓存资源。
附图说明
图1为本发明实施例的场景示意图；
图2为本发明提供的基于移动边缘计算的用户数据隐私保护方法流程图；
图3为本发明步骤S2的调度流程图；
图4为本发明步骤S23的最优Agent选择和参数集成策略的算法流程图。
具体实施方式
发明应用的车联网场景为：基于MEC的城市公路场景，有N辆智能汽车在路上行驶。如图1所示。由传感器收集的交通环境数据可以通过车载通信在相邻车辆之间共享，并存储在车载高速缓存中。每个车辆的计算和缓存能力分别记为fv和cv。此外，有M个RSU沿道路随机分布。每个RSU配备一个MEC服务器，为车辆提供计算和缓存服务，他们的计算和缓存能力分别表示为
Figure BDA0002385361120000051
和
Figure BDA0002385361120000052
在车辆通信中，当车辆之间的距离很近时，车辆可以与其他车辆共享其数据集。车辆在单位时间内所遇到的车辆数量为λv。此外，配备MEC服务器的RSU可以作为参数集成中继。RSU的不同位置部署和无线覆盖导致了RSU与车辆之间的不同的接触率，分别记为
Figure BDA0002385361120000053
V2V的传输速率为rv2v，RSU对CN(R2C)和CN对RSU(C2R)的传输速率分别为rr2c和rc2r。车辆与CN之间的通信需要RSU的转发功能，rr2v和rv2r分别是RSU对车辆(R2V)和车辆对RSU(V2R)的传输速率。车辆与车辆之间、车辆与RSU之间、RSU与CN之间的通信单位成本分别记为wV2V、
Figure BDA0002385361120000054
和
Figure BDA0002385361120000055
为了在保护数据隐私的同时提高数据处理效率，本发明在任务执行中使用FL框架如图1。在基于FL的任务执行中，车辆和RSU都可以作为Agent来训练本地数据。经过局部训练，可以得到一些包含局部梯度和损失函数的大小为sg的模型参数。CN将充当第三方协作者的角色，负责从分布式代理收集参数结果并返回更新后的参数。
下面结合附图进一步说明本发明的技术方案。
基于上述场景，本发明提供了一种基于移动边缘计算的用户数据隐私保护方法，如图2所示，包括以下步骤：
S1、当有交通管理相关事件发生时，车辆产生交通管理任务计算需求，并向RSU发起数据收集及任务处理申请；车辆向RSU发起的任务处理申请包括任务的最大容忍时间延迟
Figure BDA0002385361120000061
局部模型精确度σg、全局模型精确度θg、模型参数大小sg、单车含有的该任务所需的样本数据大小dv,g。
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；CN为产生交通管理任务计算需求的车辆和RSU进行Agent选择和参数集成调度，同时根据缓存资源占用情况、任务时延要求、无线信道传输速率及资源成本选择边缘节点作为FL算法的Agent，并将Agent选择和参数集成的调度结果传输给RSU及该RSU覆盖范围内的车辆及其他RSU；
步骤S2中进行Agent节点选择和参数集成调度的具体过程为：更新车联网络中各边缘节点的计算和缓存资源信息，列出道路中所有的Agent选择可能和参数集成可能，选择满足时延要求的最小化系统成本的Agent节点组合和参数集成方案。
对于步骤S2中Agent选择和参数集成调度算法，如图3所示，具体包括以下分步骤：
S21、RSU更新车载移动边缘网络边缘节点信息；
S22、RSU将任务申请上传至CN，CN根据任务参数和车联MEC中的边缘节点信息，对所有待选的Agent选择和参数集成方案进行建模，计算其系统成本及时间延迟；
主要包括三种Agent选择方案，总时间消耗包括计算时间、上传时间和下载时间，系统成本包括通信成本、计算成本和缓存成本。
车辆单独作为Agent训练模型经RSU实现参数集成：车辆v进行一次局部迭代的计算时间为
Figure BDA0002385361120000062
车辆上传和下载模型参数的时间为
Figure BDA0002385361120000063
和
Figure BDA0002385361120000064
车辆v经RSUm集成参数的全局迭代总时间延迟和总成本为：
Figure BDA0002385361120000065
Figure BDA0002385361120000071
其中，局部迭代的数量上限为Klog(1/σg)，其中正的常数K取决于任务g的数据大小和条件约束数目。全局迭代的上限是F(θg)/1-σg，F(θg)＝Ο(log(1/θg))是关于全局精度θg的函数，具体的数值取决于实际问题的数据集大小和条件数。
Figure BDA00023853611200000713
为车辆进入RSU通信范围前的平均等待时间。
高可信度车辆作为Agent训练模型经RSU实现参数集成：在车辆网络中，车辆配备不同等级的安全证书，每个证书提供不同级别的可信度。将整个区域划分为E个部分，区域内信誉最高的车辆作为Agent。与车辆独立充当Agent方案不同，在车辆合作中还有一个额外的数据收集过程，在这个过程中，每辆普通车辆都应该提前将自己的本地数据集发送给代理。
数据收集时间为
Figure BDA0002385361120000072
其中N′＝N/E-E，在区域n中，作为Agent的高可信度车辆一次局部迭代的计算时间为
Figure BDA0002385361120000073
模型参数上传和下载时间为
Figure BDA0002385361120000074
和
Figure BDA0002385361120000075
最高可信度车辆经RSU m集成参数的全局迭代总时间延迟和成本为：
Figure BDA0002385361120000076
Figure BDA0002385361120000077
RSU作为Agent训练模型直接与CN通信实现参数的集成：在城市交通环境中，许多RSU分布在道路周围，可以为通信范围内的车辆提供各种计算和缓存服务。由于RSU是公认的权威第三方运营企业，也可以作为Agent与车辆合作，充分利用路边资源。这些RSU作为Agent将处理从周围车辆收集的数据集，并直接与CN通信。
数据收集时间为
Figure BDA0002385361120000078
作为Agent的RSU一次局部迭代的计算时间为
Figure BDA0002385361120000079
模型参数上传和下载时间为
Figure BDA00023853611200000710
和
Figure BDA00023853611200000711
RSU m作为Agent的全局迭代总时间延迟和成本为：
Figure BDA00023853611200000712
Figure BDA0002385361120000081
S23、根据所有待选的Agent选择和参数集成模型建立带约束的最优化问题，目标是在满足时延和缓存约束下最小化系统资源，并求解该最优化问题得到最优的Agent选择和参数集成策略；
S231、根据系统模型构建基于FL的MEC的最小成本优化问题；
基于不同的参数集成模式和Agent选择，任务可能具有不同的成本和延迟性能。对于任务g，车辆网络中基于FL的MEC的成本和延迟可以表示为：
Figure BDA0002385361120000082
Figure BDA0002385361120000083
其中
Figure BDA0002385361120000084
为车辆选择自身作为Agent的概率。
Figure BDA0002385361120000085
是车辆在n区域内选择可信度最高的车辆作为代理的概率。其中
Figure BDA0002385361120000086
为车辆选择RSU作为代理的概率。
Figure BDA0002385361120000087
是代理车辆在n区域内通过RSU m与CN通信的概率，
Figure BDA0002385361120000088
是车辆选择自身作为Agent时通过RSU m与CN通信的概率。
在最大可容忍延迟约束下，车辆网络中基于FL的MEC的最小成本优化问题表示为：
Figure BDA0002385361120000089
Figure BDA00023853611200000810
Figure BDA00023853611200000811
Figure BDA00023853611200000812
Figure BDA00023853611200000813
Figure BDA00023853611200000814
Figure BDA00023853611200000815
Figure BDA00023853611200000816
其中
Figure BDA00023853611200000817
为车辆选择自身作为Agent的概率，
Figure BDA00023853611200000818
是车辆在n个区域内选择可信度最高的车辆作为代理的概率，
Figure BDA00023853611200000819
为车辆选择RSU作为代理的概率，
Figure BDA00023853611200000820
是代理车辆在n区域内通过RSU m与CN通信的概率，
Figure BDA0002385361120000091
是车辆选择自身作为Agent时通过RSU m与CN通信的概率，基于FL的MEC的总成本和延迟为
Figure BDA0002385361120000092
和
Figure BDA0002385361120000093
表示任务g的最大可容忍延迟，M表示RSU的数量，E表示将整个区域划分为E个子区域，
Figure BDA0002385361120000094
表示第m个RSU的缓存能力，cv表示车辆的缓存能力；假设全地图有Z个车辆，则分成E个子区域后，每个区域中除去作为代理人的车辆，剩余的车辆数目平均为N′＝Z/E-E。
约束C1给出了决策变量的域。约束C2表示任务的最大可容忍延迟约束。约束C3和C4表明，如果作为Agent的车辆希望与CN通信，则必须通过RSU中继。约束C5表示每个车辆应该在RSU、高可信车辆和自身之间选择一个对象作为其Agent。约束条件C6和C7指出，车辆和RSU收集的数据集不应该超过它们的最大缓存能力。
S232、由于最优化问题的目标函数包含多个变量的乘积，所以它是一个非凸问题。采用次梯度下降算法联合拉格朗日乘子法来求解优化问题，得到最小代价策略；
S233、列出原始问题的拉格朗日松弛函数L(P,U)和原始优化问题的对偶问题g(U)，其中P为决策变量集合，U为拉格朗日乘子集合；通过在乘子域约束条件下最大化g(U)函数，得到原始最小化问题的最优解；其中乘子集合利用次梯度下降的方法进行更新迭代，直到收敛到一个预先设置的阈值；
在乘子域约束条件下最大化g(U)函数的方法为：对偶变量约束下的拉格朗日对偶问题可表示为：
Figure BDA0002385361120000095
s.t.U∈R,U1,U2,U3,U4,U5,U6,U7,U8,U9,
U10,U11,U15,U16≥0.
通过次梯度下降的方法和这组可行解对乘子集合进行更新；一直循环更新，直至乘子变化小于给定的阈值，可以得到g(U)的最大值，由此可以得到最优的Agent选择和参数集成策略。具体的算法流程如图4，包括以下步骤：
首先初始化拉格朗日乘子集合：U(t)＝{U1(t),U2(t),...,U15(t),U16(t)},t＝0；
然后通过令L(P,U)对P的偏导为0，可以得到对应一组乘子U下的
Figure BDA0002385361120000096
的可行解；
Figure BDA0002385361120000101
然后根据可行解和次梯度算法对乘子集合U(t+1)进行更新；
判断U(t+1)-U(t)≤ε是否成立，若是则输出Agent选择和参数集合的可行解，否则重新令L(P,U)对P的偏导为0，重新进行求解。
S24、将最优的Agent选择和参数集成策略传输给RSU及其覆盖范围内的车辆。
S3、车辆和RSU根据接收到的Agent选择结果，收集周边车辆的任务数据集Dp,p∈P，其中P为Agent的数目；
S4、S4、每个Agent根据收集到的车辆任务数据集Dp、上一时刻的全局模型参数ω(t-1)和全局损失函数梯度
Figure BDA0002385361120000102
进行学习训练，训练出局部的交通管理模型，并根据接收到的参数集成调度结果，将训练得到的局部模型参数
Figure BDA0002385361120000103
和局部损失函数梯度
Figure BDA0002385361120000104
上传至CN；
Agent将一直训练局部模型，直至局部模型的精确度达到了规定的局部精度，在CN进行一次模型参数聚合后，下一次Agent节点的局部模型训练将根据更新后的全局模型参数和全局损失函数梯度对局部模型参数进行更新。
S41、常用的学习训练方法有：1)Deep Q Network(DQN)：将神经网络与Q-Learning算法相融合，使用卷积神经网络来逼近行为值函数，使用target Q network来更新target，并使用经验回放技术来存储历史数据，每次更新参数的时候从Memory中抽取一部分的数据来用于更新，以此来打破数据间的关联。2)Deep Reinforcement Learning(DDPG)：将深度学习神经网络与DPG策略学习方法相结合。采用卷积神经网络作为策略函数和值函数的模拟，然后使用深度学习的方法来训练上述神经网络。
S42、Agent节点根据上一时刻的全局模型参数和全局损失函数梯度对自身局部训练后得到的局部部模型参数进行更新的一种常用实例方法为：
Figure BDA0002385361120000111
其中β1和β2都大于0，是一个自定义参数。
S5、CN收集聚合当前时刻p个Agent训练的局部模型参数
Figure BDA0002385361120000112
和局部损失函数梯度
Figure BDA0002385361120000113
并根据公式
Figure BDA0002385361120000114
和
Figure BDA0002385361120000115
更新下一时刻的全局模型参数和全局损失函数梯度，并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。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (8)

1.一种基于移动边缘计算的用户数据隐私保护方法，其特征在于，包括以下步骤：
S1、当有交通管理相关事件发生时，车辆产生交通管理任务计算需求，并向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；CN为产生交通管理任务计算需求的车辆和RSU进行Agent选择和参数集成调度，同时根据缓存资源占用情况、任务时延要求、无线信道传输速率及资源成本选择边缘节点作为FL算法的Agent，并将Agent选择和参数集成的调度结果传输给RSU及该RSU覆盖范围内的车辆及其他RSU；
S3、车辆和RSU根据接收到的Agent选择结果，收集周边车辆的任务数据集Dp,p∈P，其中P为Agent的数目；
S4、每个Agent根据收集到的车辆任务数据集Dp、上一时刻的全局模型参数ω(t-1)和全局损失函数梯度▽J(t-1)进行学习训练，训练出局部的交通管理模型，并根据接收到的参数集成调度结果，将训练得到的局部模型参数
Figure FDA0002385361110000011
和局部损失函数梯度
Figure FDA0002385361110000012
上传至CN；
S5、CN收集聚合当前时刻p个Agent训练的局部模型参数
Figure FDA0002385361110000013
和局部损失函数梯度
Figure FDA0002385361110000014
并根据公式
Figure FDA0002385361110000015
和
Figure FDA0002385361110000016
更新下一时刻的全局模型参数和全局损失函数梯度，并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。
2.根据权利要求1所述的一种基于移动边缘计算的用户数据隐私保护方法，其特征在于，所述步骤S1中车辆向RSU发起的任务处理申请包括任务的最大容忍时间延迟
Figure FDA0002385361110000017
局部模型精确度σg、全局模型精确度θg、模型参数大小sg、单车含有的该任务所需的样本数据大小dv,g。
3.根据权利要求1所述的基于移动边缘计算的用户数据隐私保护方法，步骤S2中进行Agent节点选择和参数集成调度的具体过程为：更新车联网络中各边缘节点的计算和缓存资源信息，列出道路中所有的Agent选择可能和参数集成可能，选择满足时延要求的最小化系统成本的Agent节点组合和参数集成方案。
4.根据权利要求3所述的基于移动边缘计算的用户数据隐私保护方法，其特征在于，步骤S2具体包括以下分步骤：
S21、RSU更新车载移动边缘网络边缘节点信息；
S22、RSU将任务申请上传至CN，CN根据任务参数和车联MEC中的边缘节点信息，对所有待选的Agent选择和参数集成方案进行建模，计算其系统成本及时间延迟；
S23、根据所有待选的Agent选择和参数集成模型建立带约束的最优化问题，目标是在满足时延和缓存约束下最小化系统资源，并求解该最优化问题得到最优的Agent选择和参数集成策略；
S24、将最优的Agent选择和参数集成策略传输给RSU及其覆盖范围内的车辆。
5.根据权利要求4所述的基于移动边缘计算的用户数据隐私保护方法，其特征在于，步骤S23中得到最优Agent选择和参数集成策略的算法为：
S231、根据系统模型构建基于FL的MEC的最小成本优化问题；
S232、采用次梯度下降算法联合拉格朗日乘子法来求解优化问题；
S233、列出原始问题的拉格朗日松弛函数L(P,U)和原始优化问题的对偶问题g(U)，其中P为决策变量集合，U为拉格朗日乘子集合；通过在乘子域约束条件下最大化g(U)函数，得到原始最小化问题的最优解；其中乘子集合利用次梯度下降的方法进行更新迭代，直到收敛到一个预先设置的阈值。
6.根据权利要求5所述的基于移动边缘计算的用户数据隐私保护方法，其特征在于，基于FL的MEC的最小成本优化问题表示为：
Figure FDA0002385361110000021
Figure FDA0002385361110000022
Figure FDA0002385361110000023
Figure FDA0002385361110000024
Figure FDA0002385361110000025
Figure FDA0002385361110000026
Figure FDA0002385361110000027
Figure FDA0002385361110000028
其中
Figure FDA0002385361110000029
为车辆选择自身作为Agent的概率，
Figure FDA00023853611100000210
是车辆在n个区域内选择可信度最高的车辆作为代理的概率，
Figure FDA00023853611100000211
为车辆选择RSU作为代理的概率，
Figure FDA00023853611100000212
是代理车辆在n区域内通过RSU m与CN通信的概率，
Figure FDA00023853611100000213
是车辆选择自身作为Agent时通过RSU m与CN通信的概率，基于FL的MEC的总成本和延迟为
Figure FDA0002385361110000031
和
Figure FDA0002385361110000032
Figure FDA0002385361110000033
表示任务g的最大可容忍延迟，M表示RSU的数量，E表示将整个区域划分为E个子区域，
Figure FDA0002385361110000034
表示第m个RSU的缓存能力，cv表示车辆的缓存能力；假设全地图有Z个车辆，则分成E个子区域后，每个区域中除去作为代理人的车辆，剩余的车辆数目平均为N′＝Z/E-E。
7.根据权利要求5所述的基于移动边缘计算的用户数据隐私保护方法，其特征在于，所述步骤S233中在乘子域约束条件下最大化g(U)函数的方法为：通过令L(P,U)对P的偏导为0，得到对应一组乘子U下的
Figure FDA0002385361110000035
的可行解；然后再通过次梯度下降的方法和这组可行解对乘子集合进行更新；一直循环更新直至乘子变化小于给定的阈值，得到g(U)的最大值。
8.根据权利要求1所述的基于移动边缘计算的用户数据隐私保护方法，其特征在于，所述步骤S4中Agent将一直训练局部模型，直至局部模型的精确度达到了规定的局部精度，在CN进行一次模型参数聚合后，下一次Agent节点的局部模型训练将根据更新后的全局模型参数和全局损失函数梯度对局部模型参数进行更新。
CN202010096191.1A 2020-02-17 2020-02-17 基于移动边缘计算的用户数据隐私保护方法 Active CN111339554B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010096191.1A CN111339554B (zh) 2020-02-17 2020-02-17 基于移动边缘计算的用户数据隐私保护方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010096191.1A CN111339554B (zh) 2020-02-17 2020-02-17 基于移动边缘计算的用户数据隐私保护方法

Publications (2)

Publication Number Publication Date
CN111339554A true CN111339554A (zh) 2020-06-26
CN111339554B CN111339554B (zh) 2022-04-01

Family

ID=71181556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010096191.1A Active CN111339554B (zh) 2020-02-17 2020-02-17 基于移动边缘计算的用户数据隐私保护方法

Country Status (1)

Country Link
CN (1) CN111339554B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112506673A (zh) * 2021-02-04 2021-03-16 国网江苏省电力有限公司信息通信分公司 面向智能边缘计算的协同模型训练任务配置方法
CN112863175A (zh) * 2020-12-31 2021-05-28 平安科技（深圳）有限公司 汽车道路监测数据处理方法、装置、设备及存储介质
CN113038616A (zh) * 2021-03-16 2021-06-25 电子科技大学 一种基于联邦学习的频谱资源管理分配方法
CN113055488A (zh) * 2021-03-23 2021-06-29 重庆邮电大学 多层联邦深度强化学习的车辆边缘协作缓存方法及系统
CN113283177A (zh) * 2021-06-16 2021-08-20 江南大学 一种基于异步联邦学习的移动感知缓存方法
CN113742779A (zh) * 2021-09-18 2021-12-03 湖北工业大学 一种具有隐私保护的服务定制系统与方法
CN114125936A (zh) * 2021-11-29 2022-03-01 中国联合网络通信集团有限公司 一种资源调度方法、装置和存储介质
CN114168328A (zh) * 2021-12-06 2022-03-11 北京邮电大学 一种基于联邦学习的移动边缘节点计算任务调度方法及其系统
CN115879139A (zh) * 2023-03-08 2023-03-31 四川边缘算力科技有限公司 基于边缘计算的用户数据管理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684855A (zh) * 2018-12-17 2019-04-26 电子科技大学 一种基于隐私保护技术的联合深度学习训练方法
CN110084365A (zh) * 2019-03-13 2019-08-02 西安电子科技大学 一种基于深度学习的服务提供系统及方法
CN110263928A (zh) * 2019-06-18 2019-09-20 中国科学技术大学 保护数据隐私的基于移动设备的分布式深度学习训练方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109684855A (zh) * 2018-12-17 2019-04-26 电子科技大学 一种基于隐私保护技术的联合深度学习训练方法
CN110084365A (zh) * 2019-03-13 2019-08-02 西安电子科技大学 一种基于深度学习的服务提供系统及方法
CN110263928A (zh) * 2019-06-18 2019-09-20 中国科学技术大学 保护数据隐私的基于移动设备的分布式深度学习训练方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
高伟: "《5G边缘计算节点部署方法研究》", 《电信工程技术与标准化》 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112863175B (zh) * 2020-12-31 2022-11-22 平安科技（深圳）有限公司 汽车道路监测数据处理方法、装置、设备及存储介质
CN112863175A (zh) * 2020-12-31 2021-05-28 平安科技（深圳）有限公司 汽车道路监测数据处理方法、装置、设备及存储介质
CN112506673A (zh) * 2021-02-04 2021-03-16 国网江苏省电力有限公司信息通信分公司 面向智能边缘计算的协同模型训练任务配置方法
CN113038616A (zh) * 2021-03-16 2021-06-25 电子科技大学 一种基于联邦学习的频谱资源管理分配方法
CN113055488A (zh) * 2021-03-23 2021-06-29 重庆邮电大学 多层联邦深度强化学习的车辆边缘协作缓存方法及系统
CN113283177B (zh) * 2021-06-16 2022-05-24 江南大学 一种基于异步联邦学习的移动感知缓存方法
CN113283177A (zh) * 2021-06-16 2021-08-20 江南大学 一种基于异步联邦学习的移动感知缓存方法
CN113742779A (zh) * 2021-09-18 2021-12-03 湖北工业大学 一种具有隐私保护的服务定制系统与方法
CN113742779B (zh) * 2021-09-18 2024-03-22 湖北工业大学 一种具有隐私保护的服务定制系统与方法
CN114125936A (zh) * 2021-11-29 2022-03-01 中国联合网络通信集团有限公司 一种资源调度方法、装置和存储介质
CN114125936B (zh) * 2021-11-29 2023-09-05 中国联合网络通信集团有限公司 一种资源调度方法、装置和存储介质
CN114168328A (zh) * 2021-12-06 2022-03-11 北京邮电大学 一种基于联邦学习的移动边缘节点计算任务调度方法及其系统
CN114168328B (zh) * 2021-12-06 2024-09-10 北京邮电大学 一种基于联邦学习的移动边缘节点计算任务调度方法及其系统
CN115879139A (zh) * 2023-03-08 2023-03-31 四川边缘算力科技有限公司 基于边缘计算的用户数据管理方法

Also Published As

Publication number Publication date
CN111339554B (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
CN111339554B (zh) 基于移动边缘计算的用户数据隐私保护方法
Zhou et al. Energy-efficient edge computing service provisioning for vehicular networks: A consensus ADMM approach
Fan et al. Digital twin empowered mobile edge computing for intelligent vehicular lane-changing
Zhao et al. Contract-based computing resource management via deep reinforcement learning in vehicular fog computing
Jiang et al. Resource allocation of video streaming over vehicular networks: A survey, some research issues and challenges
Li et al. Delay-tolerant data traffic to software-defined vehicular networks with mobile edge computing in smart city
Cheng et al. Air-ground integrated mobile edge networks: Architecture, challenges, and opportunities
Zhang et al. Deep reinforcement learning for social-aware edge computing and caching in urban informatics
Wang et al. Collaborative mobile computation offloading to vehicle-based cloudlets
Wu et al. Velocity-adaptive access scheme for MEC-assisted platooning networks: Access fairness via data freshness
CN113727306B (zh) 一种基于深度强化学习的解耦c-v2x网络切片方法
CN106972898A (zh) 基于信道预测的车联网数据传输调度方法
Ma et al. Carrier sense multiple access with collision avoidance‐aware connectivity quality of downlink broadcast in vehicular relay networks
Zheng et al. Digital twin empowered heterogeneous network selection in vehicular networks with knowledge transfer
Ma et al. Joint scheduling and resource allocation for efficiency-oriented distributed learning over vehicle platooning networks
Wang et al. Review on offloading of vehicle edge computing
Guleng et al. Edge-based V2X communications with big data intelligence
CN113220364A (zh) 一种基于车联网移动边缘计算系统模型的任务卸载方法
Wang et al. QoS‐enabled resource allocation algorithm in internet of vehicles with mobile edge computing
Ge et al. Interference aware service migration in vehicular fog computing
Wang et al. Fog‐Based Distributed Networked Control for Connected Autonomous Vehicles
Hong et al. An optimal resource allocation mechanism in vehicular MEC systems
Rui et al. Location‐dependent sensing data collection and processing mechanism in vehicular network
CN113490181B (zh) 一种基于lstm神经网络的车辆传输时延优化方法
Chen et al. Intelligent urban expressway managing architecture using lorawan and edge computing

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