在车辆网络中使用动态客户端选择和异常检测的安全分层联邦学习

May, 2024

在车辆网络中使用动态客户端选择和异常检测的安全分层联邦学习

Secure Hierarchical Federated Learning in Vehicular Networks Using Dynamic Client Selection and Anomaly Detection

M. Saeid HaghighiFard, Sinem Coleri

TL;DR在车辆网络中，针对威胁到模型完整性的敌对或不可靠车辆的显著挑战，我们的研究引入了一种集成动态车辆选择和强健异常检测机制的新框架，旨在优化参与者选择并减轻恶意贡献相关风险。

Abstract

hierarchical federated learning (HFL) faces the significant challenge of adversarial or unreliable vehicles in vehicular networks, which can compromise the model's integrity through misleading updates. Addressing

hierarchical federated learning adversarial or unreliable vehicles dynamic vehicle selection robust anomaly detection participant selection

发现论文，激发创造

基于多跳集群的分层联邦学习在车联网中的应用

在车辆自组织网络中，引入了一种基于多跳聚类的分层联邦学习框架来解决有限的通信资源、高车辆移动性和数据分布统计多样性等问题，并通过使用平均相对速度和 FL 模型参数的余弦相似度的加权组合作为聚类度量来确保收敛性，在处理非独立同分布数据的情况下，最小化簇头变更的同时处理复杂性。此框架还包括一种管理聚类头的平滑过渡机制以及向指定簇头传递最新的 FL 模型参数的新机制，同时考虑合并簇头的选项以减少数量和相关开销，并通过广泛的仿真实验，证明了相对于之前提出的聚类算法和非聚类车辆自组织网络，该分层联邦学习系统在提高准确性和收敛时间方面显著改进，并且维持了可接受的分组开销水平。

Jan, 2024

基于联邦学习的分布式动态地图融合技术在智能网络化车辆中的应用

本篇论文提出了一种基于联邦学习的动态地图融合框架，可在 FoVs 内有效预测目标数量和融合多个本地地图，实现高质量的地图制作，并在 CARLA 模拟平台上得到广泛的实验验证。

Mar, 2021

基于不确定性客户聚类的联邦学习用于整车故障诊断

本文提出了一种基于聚类的联邦学习算法，通过相对预测准确性和不确定性来对客户端进行聚类，解决了联邦策略优化和客户端数据异构性等问题，适用于安全关键系统的故障诊断。

Apr, 2023

车联网中的联邦学习

本文研究车联网应用中的联邦学习与集中式学习的可行性，探讨了基于图像数据集的目标检测，分析了数据标注、模型训练的挑战，以及数据速率、可靠性、隐私和资源管理等通信方面的问题，并为联邦学习在车联网领域中的未来研究方向提供了展望。

Jun, 2020

辅助车联网的分布式多目标客户端选择在联邦学习中的应用

在本研究中，我们提出了一种分布式客户选择方案，以减少所有参与者维护活动状态的成本，并通过使用模糊逻辑作为评估器实现了对最高评价客户的选举，从而在准确性上接近集中式客户选择并显著减少通信开销。

Jan, 2024

面向非独立同分布数据的可靠参与式无人机边缘学习

我们提出了一种新的客户端选择方案来增强收敛性，通过优先考虑快速 UAV 和高可靠性评分，同时从训练中排除恶意 UAV，通过实验评估了该方案在不同攻击场景中的抵抗性和模型准确性，并展示了与基准方法相比所提出方法的性能优势。

Dec, 2023

TrustFed：一种具有恶意攻击抵抗能力的可靠联邦学习框架

提出了一种层次化审计的联邦学习（HiAudit-FL）框架，使用模型审计和参数审计两个阶段来增强学习过程的可靠性和安全性，并通过基于扩散模型的 AI-Enabled 审计选择策略（ASS）和深度强化学习（DRL）框架设计了高效的 DRL-ASS 算法来识别和处理潜在的恶意用户。

Dec, 2023

基于共识的连接车辆增强分散联合学习

本研究提出一种基于协议的去中心化联邦学习框架 C-DFL，以应对联邦学习在车联网中的缺陷并提高学习效果，通过大量仿真实验证明其在所有情况下优于传统方法。

Sep, 2022

面向联合学习的自主控制器设计：用于连接和自动驾驶车辆

本论文提出了一种新的基于大规模无线连接的联邦学习框架，用于设计连接和自动驾驶车辆（CAVs）的自主控制器。使用联合训练模型，应对 CAVs 参与联邦学习过程的不同和数据质量的多样化，提出了动态联邦近端算法（DFP）。在此基础上，设计了基于合同理论的激励机制，以提高 FL 的收敛速度。仿真结果表明，DFP 控制器可以精确跟踪目标 CAV 在不同交通场景下的车速。

Feb, 2021

具有移动性的数据异构层次联邦学习

本研究探讨基于数据异构和移动性的分层联邦学习，通过分析其性能并利用移动性改善数据异构，结果表明移动性可以提高 15.1％的模型准确性。

Jun, 2023