CN117118592B - 一种基于同态加密算法的车联网客户端选择方法及系统 - Google Patents

Abstract

本发明公开了一种基于同态加密算法的车联网客户端选择方法及系统，包括服务器基于第一数据信息、第二数据信息和第三数据信息构建优化目标；服务器生成公钥和私钥，利用公钥对全局信息加密获得第一结果并发送至第三方机构；参与车接收公钥对私有信息加密得到第二结果并发送至第三方机构；第三方机构对第一结果和第二结果计算，得到密文序列并发送至服务器，所述密文序列包括与D(O||V_i)、T_(P,i)和T_(T,i)所对应的密文；服务器利用私钥对密文序列解密确定所述优化目标中D(O||V_i)、T_(P,i)和T_(T,i)；服务器通过搜索算法处理已知D(O||V_i)、T_(P,i)和T_(T,i)优化目标确定最优用户选择策略。本发明在不完全信息条件下仍可以选择合适的客户端，保护用户隐私。

Description

一种基于同态加密算法的车联网客户端选择方法及系统

技术领域

本发明涉及车联网安全数字信息传输领域。具体而言，涉及一种基于同态加密算法的车联网客户端选择方法及系统。

背景技术

车联网是指通过无线通信、计算机网络等技术，将汽车、道路、云平台等资源集成为一体，实现智能化、自动化的交通系统。而联邦学习则是一种分布式机器学习技术，允许不同设备或组织共同训练模型，同时保护各自的隐私数据，从而避免数据中心化带来的隐私泄漏和计算负担。目前，国内外学者对在车联网中应用联邦学习技术展开了广泛的研究，并开拓了各种应用联邦学习的场景，例如不同车辆共同训练安全驾驶模型，能够达到避免车辆发生碰撞等效果，从而提高整体的安全性能；车辆还可以通过联邦学习共同学习如何避免拥堵和优化路线模型以降低碳排放量，进而达到优化能耗以及减少交通拥堵的目的。

然而，在车联网系统中，拓扑结构复杂，接入客户端众多。海量的客户端参与联邦学习存在数据分布的差异较大、通信成本高、计算资源耗散过大等问题，因此，在联邦学习之前进行客户端选择是非常重要的一环，其中，选择过程会涉及到参与者的数量、数据分布、计算能力等因素，对联邦学习的效果和性能有着重要的影响。

现有技术中选择联邦学习参与者包括随机选择、优先选择、模型聚合选择等方式。随机选择是指在联邦学习中随机选择一些参与者进行数据共享和模型训练。这种方法简单易行，但可能会导致一些参与者的数据没有得到充分利用，从而影响联邦学习的性能。优先选择是选择一些数据量大、数据质量高、模型效果好的参与者以进行数据共享和模型训练。这种方法能够充分利用优质的数据和模型，提高联邦学习的性能。模型聚合选择指选择一些模型参数较为相似的参与者进行数据共享和模型训练，这种方法能够加速模型收敛。这些方法通常适用于完全信息条件下，即服务器对参与者的数据集质量、环境指标等参数是完全知晓的，然而现实环境中，这些涉及客户端的私有信息往往不被公开，因此服务器无法直接通过这些参数以判断如何在大量的客户端中选择适合的客户端进行训练。此外，在车联网环境下，除了车辆自身携带的数据集，车辆高速移动的特性导致的通信问题对客户端选择也有影响。

发明内容

本发明正是基于现有技术的上述需求而提出的，本发明提出了一种基于同态加密算法的车联网客户端选择方法及系统在不完全信息条件下，实现最优客户端选择，避免敏感参数的传递。

为了解决上述问题，本发明是采用如下技术方案实现的：

一种基于同态加密算法的车联网客户端选择方法，该方法包括：服务器基于第一数据信息、第二数据信息和第三数据信息构建优化目标，包括：基于服务器与参与车客户端之间的距离D(O||V_i)，构建第一数据信息的第一算法R_set；根据参与车传输模型至服务器的时间T_(P，i)和参与车在本地训练模型的时间T_(T，i)，构建第二数据信息的第二算法R_time；基于单位赏金和训练一个数据样本所需的CPU周期，构建第三数据信息的第三算法R_pay；所述单位赏金与训练一个数据样本所需的CPU周期和CPU功率相关；基于第一算法、第二算法和第三算法构建服务器优化目标α^*＝argmax_α{R_set+R_time-R_pay}，所述第一数据信息包括参与车数据集的相关收益，所述第二数据信息包括参与车局部训练花销时间的相关收益，所述第三数据信息包括服务器付给参与车的薪水；服务器生成公钥和私钥，利用公钥对全局信息进行加密获得第一结果，将所述第一结果发送至第三方机构；参与车接收服务器发送的公钥，根据所述公钥对私有信息进行加密得到第二结果，将所述第二结果发送至所述第三方机构；所述第三方机构对所述第一结果和所述第二结果进行计算，得到密文序列并发送至服务器，所述密文序列包括与D(O||V_i)、T_(P，i)和T_(T，i)所对应的密文；所述服务器利用所述私钥对所述密文序列进行解密，确定所述优化目标中D(O||V_i)、T_(P，i)和T_(T，i)；服务器通过搜索算法处理已知D(O||V_i)、T_(P，i)和T_(T，i)的优化目标，确定联邦学习的最优用户选择策略。

优选地，服务器与参与车客户端之间的距离D(O||V_i)由标签期望值和频率数据v确定，所述标签期望值与具有k个分类的机器学习模型的标签集合L对应，所述频率数据由参与车对数据集进行处理得到，具体公式包括：/>其中，l表示标签号，/>表示标签l对应的期望向量值，v_i(l)表示第i辆参与车标签号为l对应的频率向量值。

优选地，所述基于服务器与参与车客户端之间的距离D(O||V_i)，构建第一信息的第一算法R_set，表示为：其中，λ为数据集收益因子，V_i表示第i辆参与车，α_i表示第i辆参与车的决策标记，D(O||V_i)表示服务器与第i辆参与车客户端之间的距离，d_i表示第i辆车数据集包含的数据组数。

优选地，所述参与车传输模型至服务器的时间T_(P，i)和参与车在本地训练模型的时间T_(T，i)根据下述公式确定，包括：其中，M表示模型的大小，B_i表示第i辆参与车的信道带宽，ρ_i表示第i辆参与车的传输功率，h_i表示第i辆参与车的传输增益，N_i为第i辆参与车附近环境的高斯噪声，d_i表示第i辆车数据集包含的数据组数，c_i为第i辆参与车训练一个数据样本所需的CPU周期，p_i为第i辆参与车车载计算单元的CPU功率。

优选地，所述根据参与车传输模型至服务器的时间T_(P，i)和参与车在本地训练模型的时间T_(T，i)，构建第二数据信息的第二算法R_time，表示为：R_time＝ηmax_i∈V(α_iT_i}，T_i＝2T_(P，i)+T_(T，i)其中，η表示时间收益因子，α_i表示第i辆参与车的决策标记，T_i表示第i辆参与车的联邦学习过程耗时，T_(P，i)表示第i辆参与车传输模型至服务器的时间，T_(T，i)表示第i辆参与车在本地训练模型的时间。

优选地，所述基于单位赏金和训练一个数据样本所需的CPU周期，构建第三数据信息的第三算法R_pay，表示为：R_pay＝∑_i∈Vα_id_iq_ic_i其中，α_i表示第i辆参与车的决策标记，d_i表示第i辆车数据集包含的数据组数，q_i表示单位赏金，c_i为第i辆参与车训练一个数据样本所需的CPU周期。

优选地，所述全局信息包括标签l对应的期望向量值和模型大小M；所述私有信息包括v_i(l)、d_ic_i、/>和/>

优选地，所述搜索算法为二叉搜索算法。

一种基于同态加密算法的车联网客户端选择系统，包括：服务器，基于第一数据信息、第二数据信息和第三数据信息构建优化目标，包括：基于服务器与参与车客户端之间的距离D(O||V_i)，构建第一数据信息的第一算法R_set；根据参与车传输模型至服务器的时间T_(P，i)和参与车在本地训练模型的时间T_(T，i)，构建第二数据信息的第二算法R_time；基于单位赏金和训练一个数据样本所需的CPU周期，构建第三数据信息的第三算法R_pay；所述单位赏金与训练一个数据样本所需的CPU周期和CPU功率相关；基于第一算法、第二算法和第三算法构建服务器优化目标α^*＝argmax_α{R_set+R_time-R_pay}，所述第一数据信息包括参与车数据集的相关收益，所述第二数据信息包括参与车局部训练花销时间的相关收益，所述第三数据信息包括服务器付给参与车的薪水；生成公钥和私钥，利用公钥对全局信息进行加密获得第一结果，将所述第一结果发送至第三方机构；利用所述私钥对第三方机构计算的密文序列进行解密，确定所述优化目标中D(O||V_i)、T_(P，i)和T_(T，i)；通过搜索算法处理已知D(O||V_i)、T_(P，i)和T_(T，i)的优化目标，确定联邦学习的最优用户选择策略；参与车，接收服务器发送的公钥，根据所述公钥对私有信息进行加密得到第二结果，将所述第二结果发送至所述第三方机构；第三方机构，对来自服务器的第一结果和来自参与车的第二结果进行计算，得到密文序列并发送至服务器，所述密文序列包括与D(O||V_i)、T_(P，i)和T_(T，i)所对应的密文。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机可读存储介质上存储有基于同态加密算法的车联网客户端选择程序，所述基于同态加密算法的车联网客户端选择程序在被处理器执行时，实现任一所述的一种基于同态加密算法的车联网客户端选择方法的步骤。

与现有技术相比，本发明建模了在不完全信息条件场景，并结合车联网环境中的通信特性，设计一种基于同态加密算法的车联网客户端选择方法及系统，本方法综合参与者的数据集特征以及通信环境特征设计最优求解目标，借助同态加密技术，外包第三方机构进行涉敏参数的计算，最后通过本地解密和算法的求解得到当前轮次的最优客户端选择策略。本发明在服务器不能完全观测到客户端的所有信息的情况下仍能够借助第三方机构求解最优参与者选择策略，在此过程中能避免直接进行敏感参数的传递、保护隐私信息，并且提高训练效率，减少不必要的计算资源和传输能源消耗。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书实施例中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。

图1是本发明具体实施方式提供的一种基于同态加密算法的车联网客户端选择方法的流程图；

图2是本发明具体实施方式提供的一种基于同态加密算法的车联网客户端选择系统的结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为便于对本发明实施例的理解，下面将结合附图以具体实施例做进一步的解释说明，实施例并不构成对本发明保护范围的限定。

实施例1

本实施例提供了一种基于同态加密算法的车联网客户端选择方法，其流程如图1所示，包括：

S1：服务器基于第一数据信息、第二数据信息和第三数据信息构建优化目标。

在本实施例中，所述第一数据信息包括参与车数据集的相关收益，所述第二数据信息包括参与车局部训练花销时间的相关收益，所述第三数据信息包括服务器付给参与车的薪水。

建立初始模型。设在车联网系统中有若干智能网联汽车，集合记为V＝{1，...，m}。对于任意一车辆V_i，记决策标记α_i∈{0，1}，其中0代表该车未被服务器选择，而1代表该车被服务器选择。由于车辆过多，服务器需要选择其中n辆车，也即求解目标为找到一个最优的α^*＝{α₁，...，α_m}，满足

在本步骤中，构建优化目标，包括：

S100：基于服务器与参与车客户端之间的距离D(O||V_i)，构建第一数据信息的第一算法R_set。

其表达式为：

其中，λ是超参数，表示数据集收益因子，V_i表示第i辆参与车，α_i表示第i辆参与车的决策标记，D(O||V_i)表示服务器与第i辆参与车的客户端之间的距离，d_i表示第i辆车数据集包含的数据组数。γ(x，y)＞0是一个实值函数，并且关于x是减函数，y是增函数，定为γ(x，y)＝y-x。

其中，服务器与参与车客户端之间的距离D(O||V_i)由标签期望值和频率数据v确定，所述标签期望值与具有k个分类的机器学习模型的标签集合L对应，所述频率数据由参与车对数据集进行处理得到，其表达式为：

其中，l表示标签号，表示标签l对应的期望向量值，v_i(l)表示第i辆参与车标签号为l对应的频率向量值。

对于一个k分类的机器学习模型，令L＝{l₁，...，l_k}是标签集合，l_i为第i个分类的标签，f_i是当前模型对第i个分类的标签期望，ACC_i是当前模型在测试集中对第i个分类的标签的预测准确率。则对于在第t时刻时候的模型，定义对于标签i的标签期望值f_i，t为：

定义标签期望向量为如下式子，其中/>

任意一个车辆i的数据集包含d_i组数据，每一组数据由一个源数据x和标签y组成，则第i辆车的数据集可以标记为

对于一个k分类的数据集，定义频率向量为向量中任意一个v_i，p的计算公式如下：

其中，X_Q(R)为示性函数，其中R是一组数据，Q是一类限制条件。示性函数的含义是若数据R满足限制条件Q，则示性函数值为1，否则为0。

同步联邦学习需要全部模型均提交之后，才进行全局聚合，因此选择的车辆应训练时间花费越少越好。

S110：根据参与车传输模型至服务器的时间T_(P，i)和参与车在本地训练模型的时间T_(T，i)，构建第二数据信息的第二算法R_time。

其表达式为：

T_i＝2T_(P，i)+T_(T，i)

其中，η表示时间收益因子，α_i表示第i辆参与车的决策标记，T_i表示第i辆参与车的联邦学习过程耗时，T_(P，i)表示第i辆参与车传输模型至服务器的时间，T_(T，i)表示第i辆参与车在本地训练模型的时间；max_Q{P}是取P集合中所有满足Q条件的值中最大值的函数。

一次完整的联邦学习过程包括从服务器下载模型、在车辆本地进行训练以及向服务器上传模型，所以对于任意车辆i，一次联邦学习过程耗时T_i＝2T_(P，i)+T_(T，i)。

其中，

其中，M表示模型的大小，B_i表示第i辆参与车的信道带宽，ρ_i表示第i辆参与车的传输功率，h_i表示第i辆参与车的传输增益，N_i为第i辆参与车附近环境的高斯噪声，d_i表示第i辆车数据集包含的数据组数，c_i为第i辆参与车训练一个数据样本所需的CPU周期，p_i为第i辆参与车车载计算单元的CPU功率。

S120：基于单位赏金和训练一个数据样本所需的CPU周期，构建第三数据信息的第三算法R_pay；所述单位赏金与训练一个数据样本所需的CPU周期和CPU功率相关。

其表达式为：

其中，α_i表示第i辆参与车的决策标记，d_i表示第i辆车数据集包含的数据组数，q_i表示单位赏金，c_i为第i辆参与车训练一个数据样本所需的CPU周期。

S130：基于第一算法、第二算法和第三算法构建服务器优化目标。

构建待求解的服务器优化目标：

α^*＝argmax_α{P₀}＝argmax_α{R_set+R_time-R_pay}

上述技术方案综合考虑了车辆自身的数据集和通信数据，提高了客户端选择的优质性，进而能够加快模型训练效率，提高模型准确率。在本步骤的具体一个实施方式中，记O为服务器，则P₀为全局收益，则全局收益P₀的表达式为：P₀＝R_set+R_time-R_pay。

S2：服务器生成公钥和私钥，利用公钥对全局信息进行加密获得第一结果，将所述第一结果发送至第三方机构。

所述全局信息包括标签l对应的期望向量值和模型大小M。

具体过程包括：服务器生成一对公私钥，记公钥为pub，密钥记为priv，记一支持加减乘除、指数、对数的全同态加密算法为E_pub(*)，使用公钥在本地对全局信息进行加密。记F₁为对加密得到的密文，N为对M加密得到的密文，加密得到的结果表示为：

N＝E_pub(M)

服务器将加密后的第一结果打包发给第三方机构。

S3：参与车接收服务器发送的公钥，根据所述公钥对私有信息进行加密得到第二结果，将所述第二结果发送至所述第三方机构。

所述私有信息包括v_i(l)、d_ic_i、和/>

服务器将公钥pub传输给所有参与车辆，参与车在本地使用公钥加密涉及自身数据集的私有信息。记V_l为对v_i(l)加密得到的密文，DC_i为对d_ic_i加密得到的密文，DCP_i为对加密得到的密文，C_i为对/>加密得到的密文。加密得到的结果表示为：

V_l＝E_pub(v_i(l))

DC_i＝E_pub(d_ic_i)

参与车i将加密后的第二结果打包发给第三方机构。

S4：所述第三方机构对所述第一结果和所述第二结果进行计算，得到密文序列并发送至服务器，所述密文序列包括与D(O||V_i)、T_(P，i)和T_(T，i)所对应的密文。

第三方机构收到来自服务器的第一结果以及参与车发送来的第二结果进行密文运算。记ADD_pub(A，B)为密文A与B之间的加法运算，MUL_pub(A，B)为密文A与B之间的乘法运算，SQR_pub(A)为密文A的平方运算，SQRT_pub(A)为密文A的开方运算，DIV_pub(A，B)为密文A与B之间的除法运算。为方便公式书写，公式中使用三个中间变量X，Y，Z表示计算D_i中的三个因子。第三方机构用以下与D(O||V_i)、T_(P，i)和T_(T，i)计算得到密文序列{D₁，...，D_m，T_P，1，...，T_P，m，T_T，1，...，T_T，m}，所述密文序列包括与D(O||V_i)对应的密文D_i，与T_(P，i)对应的密文T_P，1，以及与T_(T，i)对应的密文T_T，i：

D_i＝DIV_pub(X，MUL_pub(Y，Z))

T_P，i＝DIV_pub(M，C_i)

T_T，i＝DCP_i

第三方机构将密文序列{D₁，...，D_m，T_P，1，...，T_P，m，T_T，1，...，T_T，m}发送至服务器。

S5：所述服务器利用所述私钥对所述密文序列进行解密，确定所述优化目标中D(O||V_i)、T_(P，i)和T_(T，i)。

服务器通过本地密钥priv密文序列得到原文，可以计算对任意i∈{1，...，m}的T_(P，i)和T_(T，i)，通过T_(P，i)和T_(T，i)可以获得第i辆参与车的联邦学习过程耗时T_i。记解密函数为D_priv(*)，则计算过程可以表示为：

T_i＝2D_priv(T_P，i)+D_priv(T_T，i)

在本步骤中，采用同态加密技术，设计与客户端私有的数据集特征相关的全局优化函数，在求解的过程中将车辆的隐私信息和服务器的全局信息进行加密后交由第三方进行计算，将结果返回至服务器，服务器根据反馈的结果对备选参与者进行选择，这样，即保护客户隐私信息，又节约了计算资源。

S6：服务器通过搜索算法处理已知D(O||V_i)、T_(P，i)和T_(T，i)的优化目标，确定联邦学习的最优用户选择策略。

优选地，所述搜索算法为二叉搜索算法。

具体利用二叉搜索算法对优化目标求解过程包括：

初始化构造二叉树。其中，任一根节点标记为一个状态对r＝(α，Z)，其中α代表从树顶沿着路径到当前根节点时所选择的节点状态，Z代表当前的最优值。

算法流程如下：

首先，初始化状态对r⁰＝({0，...，0}，0)。

然后，定义一个递归函数FindBest(h，r)，其中输入参数h代表层数，r代表当前状态对。递归函数FindBest(h，r)的实现包括：

若则说明已经选了n个节点，函数返回当前的状态对r^E＝(α^E，Z^E)。其中α^E＝α，Z^E＝Z+ηmax_i∈V{α_iT_i}。

若h≥m，说明这条路径一定不能选出n个节点，则返回状态对r^E＝(α，-1)。

如果上述条件都不满足，返回最佳状态对max_z{FindBest(h+1，r^L)，FindBest(h+1，r^R)}。其中r^L＝(α^L，Z^L)代表不选择第h个车辆节点，即α^L的第h个分量设为0，Z^L＝Z；r^R＝(α^R，Z^R)代表选择第h个车辆节点，即α^R的第h个分量设为1，

最后，调用FindBest(0，r⁰)进行求解，得到最优状态对r^*＝(α^*，Z^*)。其中α^*是当前联邦学习轮次的最优选择策略，Z^*是服务器的最优收益值。

与现有技术相比，本发明实施例建模了在不完全信息条件场景，并结合车联网环境中的通信特性，设计一种基于同态加密算法的车联网客户端选择方法，本方法综合参与者的数据集特征以及通信环境特征设计最优求解目标，借助同态加密技术，外包第三方机构进行涉敏参数的计算，最后通过本地解密和算法的求解得到当前轮次的最优客户端选择策略。本发明实施例在服务器不能完全观测到客户端的所有信息的情况下仍能够借助第三方机构求解最优参与者选择策略，在此过程中能避免直接进行敏感参数的传递、保护隐私信息，并且提高训练效率，减少不必要的计算资源和传输能源消耗。

实施例2

如图2所示，本发明实施例提供了一种基于同态加密算法的车联网客户端选择系统，能实现上述的一种基于同态加密算法的车联网客户端选择方法的步骤，包括：

服务器，基于第一数据信息、第二数据信息和第三数据信息构建优化目标，包括：基于服务器与参与车客户端之间的距离D(O||V_i)，构建第一数据信息的第一算法R_set；根据参与车传输模型至服务器的时间T_(P，i)和参与车在本地训练模型的时间T_(T，i)，构建第二数据信息的第二算法R_time；基于单位赏金和训练一个数据样本所需的CPU周期，构建第三数据信息的第三算法R_pay；所述单位赏金与训练一个数据样本所需的CPU周期和CPU功率相关；基于第一算法、第二算法和第三算法构建服务器优化目标α^*＝argmax_α{R_set+R_time-R_pay}，所述第一数据信息包括参与车数据集的相关收益，所述第二数据信息包括参与车局部训练花销时间的相关收益，所述第三数据信息包括服务器付给参与车的薪水；生成公钥和私钥，利用公钥对全局信息进行加密获得第一结果，将所述第一结果发送至第三方机构；利用所述私钥对第三方机构计算的密文序列进行解密，确定所述优化目标中D(O||V_i)、T_(P，i)和T_(T，i)；通过搜索算法处理已知D(O||V_i)、T_(P，i)和T_(T，i)的优化目标，确定联邦学习的最优用户选择策略。

参与车，接收服务器发送的公钥，根据所述公钥对私有信息进行加密得到第二结果，将所述第二结果发送至所述第三方机构。

第三方机构，对来自服务器的第一结果和来自参与车的第二结果进行计算，得到密文序列并发送至服务器，所述密文序列包括与D(O||V_i)、T_(P，i)和T_(T，i)所对应的密文。

本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机可读存储介质上存储有基于同态加密算法的车联网客户端选择程序，所述基于同态加密算法的车联网客户端选择程序在被处理器执行时，实现任一所述的一种基于同态加密算法的车联网客户端选择方法的步骤。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于同态加密算法的车联网客户端选择方法，其特征在于，包括：

服务器基于第一数据信息、第二数据信息和第三数据信息构建优化目标，包括：根据标签期望值和频率数据v确定服务器与参与车客户端之间的距离D(O||V_i)，所述标签期望值与具有k个分类的机器学习模型的标签集合L对应，所述频率数据由参与车对数据集进行处理得到，具体公式包括：/>其中，O表示服务器，V_i表示第i辆参与车，i表示参与车的标识号，V表示车辆集合，L表示标签集合，l表示标签号，表示标签l对应的期望向量值，v_i(l)表示第i辆参与车标签号为l对应的频率向量值；基于服务器与参与车客户端之间的距离D(O||V_i)，构建第一数据信息的第一算法R_set，包括：/>其中，λ为数据集收益因子，α_i表示第i辆参与车的决策标记，γ()表示实值函数，d_i表示第i辆车数据集包含的数据组数；根据表达式和/>确定参与车传输模型至服务器的时间T_(P,i)和参与车在本地训练模型的时间T_(T,i)，其中，T_(P,i)中P表示参与车传输模型，M表示模型的大小，B_i表示第i辆参与车的信道带宽，ρ_i表示第i辆参与车的传输功率，h_i表示第i辆参与车的传输增益，N_i为第i辆参与车附近环境的高斯噪声，c_i为第i辆参与车训练一个数据样本所需的CPU周期，p_i为第i辆参与车车载计算单元的CPU功率；根据参与车传输模型至服务器的时间T_(P,i)和参与车在本地训练模型的时间T_(T,i)，构建第二数据信息的第二算法R_time，其表达式包括：R_time＝ηmax_i∈V{α_iT_i}，T_i＝2T_(P,i)+T_(T,i)，其中，η表示时间收益因子，α_i表示第i辆参与车的决策标记，T_i表示第i辆参与车的联邦学习过程耗时；基于单位赏金和训练一个数据样本所需的CPU周期，构建第三数据信息的第三算法R_pay，其表达式包括：R_pay＝∑_i∈Vα_id_iqic_i，其中，q_i表示单位赏金，c_i为第i辆参与车训练一个数据样本所需的CPU周期；所述单位赏金与训练一个数据样本所需的CPU周期和CPU功率相关；基于第一算法、第二算法和第三算法构建服务器优化目标α^*＝argmax_α{R_set+R_time-R_pay}，其中，argmax_α{R_set+R_time-R_pay}表示使得R_set+R_time-R_pay取得最大值所对应的参与车客户端集合，所述第一数据信息包括参与车数据集的相关收益，所述第二数据信息包括参与车局部训练花销时间的相关收益，所述第三数据信息包括服务器付给参与车的薪水；

服务器生成公钥和私钥，利用公钥对全局信息进行加密获得第一结果，将所述第一结果发送至第三方机构；参与车接收服务器发送的公钥，根据所述公钥对私有信息进行加密得到第二结果，将所述第二结果发送至所述第三方机构；所述第三方机构对所述第一结果和所述第二结果进行计算，得到密文序列并发送至服务器，所述密文序列包括与D(O||V_i)、T_(P，i)和T_(T，i)所对应的密文；所述服务器利用所述私钥对所述密文序列进行解密，确定所述优化目标中D(O||V_i)、T_(P，i)和T_(T，i)；

服务器通过二叉搜索算法处理已知D(O||V_i)、T_(P，i)和T_(T，i)的优化目标，确定联邦学习的最优用户选择策略。

2.根据权利要求1所述的一种基于同态加密算法的车联网客户端选择方法，其特征在于，所述全局信息包括标签l对应的期望向量值和模型大小M；所述私有信息包括v_i(l)、d_ic_i、/>和/>

3.一种基于同态加密算法的车联网客户端选择系统，其特征在于，包括：

服务器，基于第一数据信息、第二数据信息和第三数据信息构建优化目标，包括：根据标签期望值和频率数据v确定服务器与参与车客户端之间的距离D(O||V_i)，所述标签期望值与具有k个分类的机器学习模型的标签集合L对应，所述频率数据由参与车对数据集进行处理得到，具体公式包括：/>其中，O表示服务器，V_i表示第i辆参与车，i表示参与车的标识号，V表示车辆集合，L表示标签集合，l表示标签号，表示标签l对应的期望向量值，v_i(l)表示第i辆参与车标签号为l对应的频率向量值；基于服务器与参与车客户端之间的距离D(O||V_i)，构建第一数据信息的第一算法R_set，包括：/>其中，λ为数据集收益因子，V_i表示第i辆参与车，α_i表示第i辆参与车的决策标记，γ()表示实值函数，d_i表示第i辆车数据集包含的数据组数；根据表达式/>和/>确定参与车传输模型至服务器的时间T_(P，i)和参与车在本地训练模型的时间T_(T，i)，其中，T_(P，i)中P表示参与车传输模型，M表示模型的大小，B_i表示第i辆参与车的信道带宽，ρ_i表示第i辆参与车的传输功率，h_i表示第i辆参与车的传输增益，N_i为第i辆参与车附近环境的高斯噪声，c_i为第i辆参与车训练一个数据样本所需的CPU周期，p_i为第i辆参与车车载计算单元的CPU功率；根据参与车传输模型至服务器的时间T_(P，i)和参与车在本地训练模型的时间T_(T，i)，构建第二数据信息的第二算法R_time，其表达式包括：R_time＝ηmax_i∈V{α_iT_i}，T_i＝2T_(P，i)+T_(T，i)，其中，η表示时间收益因子，α_i表示第i辆参与车的决策标记，T_i表示第i辆参与车的联邦学习过程耗时；基于单位赏金和训练一个数据样本所需的CPU周期，构建第三数据信息的第三算法R_pay，其表达式包括：R_pay＝∑_i∈Vα_id_iq_ic_i，其中，q_i表示单位赏金，c_i为第i辆参与车训练一个数据样本所需的CPU周期；所述单位赏金与训练一个数据样本所需的CPU周期和CPU功率相关；基于第一算法、第二算法和第三算法构建服务器优化目标α^*＝argmax_α{R_set+R_time-R_pay}，其中，argmax_α{R_set+R_time-R_pay}表示使得R_set+R_time-R_pay取得最大值所对应的参与车客户端集合，所述第一数据信息包括参与车数据集的相关收益，所述第二数据信息包括参与车局部训练花销时间的相关收益，所述第三数据信息包括服务器付给参与车的薪水；生成公钥和私钥，利用公钥对全局信息进行加密获得第一结果，将所述第一结果发送至第三方机构；利用所述私钥对第三方机构计算的密文序列进行解密，确定所述优化目标中D(O||V_i)、T_(P，i)和T_(T，i)；通过二叉搜索算法处理已知D(O||V_i)、T_(P，i)和T_(T，i)的优化目标，确定联邦学习的最优用户选择策略；

参与车，接收服务器发送的公钥，根据所述公钥对私有信息进行加密得到第二结果，将所述第二结果发送至所述第三方机构；

第三方机构，对来自服务器的第一结果和来自参与车的第二结果进行计算，得到密文序列并发送至服务器，所述密文序列包括与D(O||V_i)、T_(P，i)和T_(T，i)所对应的密文。

4.一种计算机可读存储介质，其上存储有计算机程序，所述计算机可读存储介质上存储有基于同态加密算法的车联网客户端选择程序，所述基于同态加密算法的车联网客户端选择程序在被处理器执行时，实现权利要求1-2中任一所述的一种基于同态加密算法的车联网客户端选择方法的步骤。