EPDA: An Efficient and Privacy-preserving Dual Aggregation Scheme for Federated Learning in VANETs

现代汽车已不再仅仅是实现从 A 点到 B 点的机器，它们是不断收集关于道路、驾驶员及周围交通数据的移动计算机。这些信息对于提高交通安全性和效率至关重要，但也引发了显著的隐私困境。驾驶员不希望其位置历史或驾驶习惯被泄露，但同时又需要车辆能从整个车队的集体经验中学习。为了解决这一问题，研究人员开发了一种称为联邦学习的方法。该方法并非将原始数据发送到中央服务器，而是让每辆车在其自身的本地数据上训练一个小型计算机模型，并仅向协调器发送该模型的数学更新。这使得隐私细节保留在车辆内部，但也引入了一个新问题：更新本身仍可能泄露敏感信息，且汽车使用的开放无线信道极易受到黑客攻击，黑客可能会伪装成汽车或篡改数据。

江苏大学的一个研究小组提出了一种名为 EPDA 的新系统，专门用于解决车辆网络中的这些漏洞。他们的工作重点在于创造一种方式，让数百辆汽车能够在不泄露身份或驾驶内容的情况下，为共享的学习模型做出贡献，同时确保该过程足够快，能够满足实时交通的需求。研究人员设计了一个两步处理流程，同时处理车辆身份验证和模型更新的组合。通过使用一种不需要沉重密码学计算的特定数字签名类型，他们成功地将计算成本控制在极低水平。在利用标准交通标志识别数据集进行的测试中，即使规模扩大到 350 辆车，该系统每辆车也仅需 0.03 秒的处理时间，且每位客户端仅传输 148 字节的数据。这种高效性表明，此类系统可以现实地部署在对速度和隐私同样要求严苛的繁忙城市环境中。

该领域的核挑战在于平衡安全性与速度。保护数据的传统方法通常依赖于复杂的数学运算，这些运算耗时过长，无法满足交通中所需的瞬时决策。其他方法虽然可能保护隐私，但却无法隐藏发送者的身份，从而使驾驶员面临被追踪的风险。研究人员通过引入双重聚合方案解决了这一问题，从而开发出 EPDA。其系统的第一部分处理身份验证。在典型场景下，路侧单元充当半信任的收集器，收集来自附近汽车的更新。研究人员为该收集器配备了一种验证所有传入消息均为真实有效的方法，而无需逐一检查。他们通过将多辆汽车的数字签名组合成一个紧凑的单一签名实现了这一点。这使得路侧单元能够一次性确认整批更新的有效性，而不是放慢速度去逐一验证每辆车。这种方法避免了使用那些会拖累系统的沉重密码学工具。

系统的第二部分则保护模型更新的实际内容。即使一辆车被验证为合法车辆，其发送的数据仍可能被用来推断隐私细节。为了防止这种情况，研究人员实施了一种掩码技术。在汽车发送模型更新之前，它使用与中央服务器共享的密钥对数据进行加密。这种加密确保了仅作为半信任方的路侧单元无法看到原始的模型参数。持有主密钥的中央服务器随后可以解密聚合后的数据，以更新全局模型。这一过程保证了中间收集器永远无法看到敏感信息，同时仍能正确重建最终模型。该系统还确保了汽车身份的隐匿性。每辆车在传输时都使用临时的虚假身份，使得观察者无法将两条不同的消息关联到同一辆车。只有与数据收集器分离的受信任机构才有权在车辆行为异常时揭示真实身份，从而确保隐私不会以牺牲问责制为代价。

为了测试该系统在实践中的表现，研究人员使用了一个包含超过 50,000 张交通标志图像的数据集模拟了联邦学习环境。他们设置了一个场景，其中有 50 到 350 辆虚拟汽车参与训练过程。结果显示，无论涉及多少辆汽车，执行密码学操作所需的时间都保持得非常稳定。虽然汽车训练其本地模型所需的时间会随着数据量的增加而增加，但用于安全任务（如掩码和签名）的时间始终保持在较低水平，平均每辆车不到 0.04 秒。中央服务器验证批量签名的所需时间呈线性增长，但依然非常快速，验证 350 辆车的更新仅需约 3.2 毫秒。在数据传输方面，该系统效率极高，每轮每辆车仅需发送 148 字节的信息。这显著低于现有其他方法，后者完成相同任务可能需要数百甚至数千字节。

研究人员将他们的方法与其他几种最先进的方法进行了对比，发现其系统始终更快且更轻量。虽然一些竞争方案依赖于耗时近 10 毫秒的复杂数学配对，但 EPDA 系统完成相同任务仅需极短的一小部分时间。通信开销也大幅降低，每辆车的总数据量不到某些其他方法要求的三分之一。这些发现表明，所提出的方案成功地在强隐私保障与车辆网络的高速需求之间找到了平衡点。该系统证明能够处理大量参与者而不降低性能，这表明随着道路上联网车辆数量的持续增长，它能够有效地进行扩展。

最终，这项工作证明了在无需依赖以往限制此类应用的沉重计算机制的情况下，构建一个安全、私密且高效的学习系统是可行的。通过结合轻量化签名方法与安全掩码技术，研究人员创建了一个框架，使汽车可以在不暴露秘密或减慢网络速度的情况下共同学习。模拟结果表明，这种方法已准备好进行实地部署，为既能尊重用户隐私又能维持安全驾驶所需的高性能的智能交通系统提供了一条切实可行的路径。研究结论指出，这种双重聚合方法为未来联网车辆的发展提供了一个可行的解决方案，在这些车辆中，数据安全与运行效率必须并行不悖。