(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211196414.7 (22)申请日 2022.09.29 (71)申请人 江苏大学 地址 212013 江苏省镇江市京口区学府路 301号 (72)发明人 刘海洋　冯霞　杨皓伟　李星烨　 (74)专利代理 机构 南京华恒专利代理事务所 (普通合伙) 32335 专利代理师 宋方园 (51)Int.Cl. H04L 9/08(2006.01) H04L 9/32(2006.01) H04L 9/40(2022.01) (54)发明名称 一种车联网环境下用于联邦学习的批量聚 合方法 (57)摘要 本发明公开一种车联网环境下用 于联邦学 习的批量聚合方法， 包括系统统初始化、 车辆学 习和模型聚合， 本发明基于非对称公钥密码体制 实现了对原始梯度数据的隐藏， 保证了用户数据 的隐私性； 在联邦学习架构的基础上利用零知识 证明技术使得用户可以在不泄露自身 隐私的前 提下实现数据的验证， 同时可以实现对恶意车辆 证书的追踪； 此外还提出了一种批量聚合协议， 可以有效的减少了通信和计算开销。 本发明为车 联网中的联邦学习提供了安全、 高效、 隐私保护 的批量聚合协议。 权利要求书3页 说明书7页 附图3页 CN 115549901 A 2022.12.30 CN 115549901 A 1.一种车 联网环境下用于联邦学习的批量聚合方法， 其特 征在于： 包括以下步骤： S1、 系统初始化 由训练任务发起者LEA在联邦学习前根据双线性配对关系， 生成对应的生成器g1， g2， 并 选择生成随机数s1， s2和h， μ， v， 将s1， s2作为LEA主私钥， 将(g1， g2， μ， ν， h， Γ)作为LEA公钥， Γ＝γg2， γ∈Zq； 对路测单元RSU进在行初始化， 每个RSU选择若干随机数作为加密私钥， 并 计算其公钥para ′＝( κ1， κ2， pk1， pk2， pk3)； 对车辆进行初始化， 参与联邦学习的车辆选择一 个随机数xi∈Zq作为自身私钥， 并计算得到对应公钥Ai， Ai＝(xi+γ)‑1g1， 同时将RSU公钥和 LEA中γ临时存入自身的车载单元 OBU， 最后所有车辆均将(Ai， xi)发送给LEA； i表示第i个车 辆； S2、 车辆参与本地训练 每个参与 联邦学习的车辆从路侧单元RSU处获取最新的全局模型并使用自身的数据集 进行本地训练， 当达到指定的轮数后， 将训练好的本地模型的参数通过RSU的公钥par a′进 行加密， 其次再通过零知识证明的方法对加密数据进行签名， 最后将加密数据和签名一同 发送给RSU， 并等待RSU进一步指示， 若收到RSU的停止命令， 则要 退出群组中止训练， 若收到 新的全局模型， 则重复本地训练； S3、 RSU聚合模型 联邦学习开始之前， 路测单元RSU先使用默认参数， 并初始化全局模型， 全局模型根据 不同的任务自动选择； 其次将初始化后的全局模型进行广播， 并等待收集车辆的响应结果； 当所有车辆都已训练完毕， 对收到的所有响应结果进行批量的验证签名是否有效， 若 签名有效则对其进行联邦聚合产生新的全局模型， 并使用验证集数据验证其是否达标， 若 已达目标， 则向车辆发送终止训练命令， 若未达标， 则所有车辆广播新的全局模型， 进行新 一轮训练。 2.根据权利要求1所述的车联网环境下用于联邦学习的批量 聚合方法， 其特征在于： 所 述步骤S1的详细步骤为： S1.1、 LEA初始化： 训练任务发起者LEA根据双线性配对关系 生成g1， g2作为 生成器， 同时生成随机数h， μ， 以及s1， s2∈Zq， 且满足s1μ＝s2ν＝h， 将s1， s2作为LEA主 私钥， LEA随机 选择γ∈Zq， 计算Γ＝γg2， 最终得到群组公钥(g1， g2， μ， ν， h， Γ)； S1.2、 RSU初始化： RSU随机选择5个随机数sk1， sk2， sk3， sk4， sk5∈Zq作为数据加 密私钥， 然后通过两个 随机数κ1， κ2∈Zq来计算pk1、 pk2和pk3作为验证公钥， RSU最终公钥为( κ1， κ2， pk1， pk2， pk3)； pk1＝sk1κ1+sk2κ2， pk2＝sk3κ1+sk4κ2， pk3＝sk5κ1； S1.3、 车辆初始化： 每一个参与训练的车辆随机选取xi∈Zq作为私钥， 其次从LEA处获得 γ计算车辆自身公钥Ai， 然后将获取的RSU公钥( κ1， κ2， pk1， pk2， pk3)和γ一同存入车辆的 OBU中， 最终每 个车辆将(Ai， xi)通过安全信道上传给LEA。 3.根据权利要求1所述的车联网环境下用于联邦学习的批量 聚合方法， 其特征在于： 所 述步骤S2中车辆训练的具体过程 为： S2.1、 车辆训练 参与训练的车辆从RSU处接收全局模型， 并验证RSU发送来的包含全局模型信息的数据权　利　要　求　书 1/3 页 2 CN 115549901 A 2MR， 若其签名正确， 则接受该数据 中的ψ作为全局模型， 然后进行本地训练得出新的本地更 新Gt+1， t代表当前训练轮数； Gt+1代表t+1轮的本地模型； MR代表RSU发送的信息； Ψ代表全局 模型； S2.2、 使用非对称密钥体系对参数加密 车辆先选择一个 随机数 然后使用RSU公钥计算Z1、 Z2、 Z3和EN{G}， 其中G代表新 的本地更新Gt+1， Z1、 Z2、 Z3则是用于数据验证的随机参数； 然后使用EN{G}覆盖原文， 最终所 得加密数据为Cipher＝(Z1， Z2， EN{G}， Z3)； H＝Hash (Z1||Z2||En {G}) ， κ1， κ2∈Zq； S2.3、 采用零知识证明体系对加密数据签名 车辆选择随机数a， b∈Zp， 然后计算T1＝aμ， T2＝b ν， T3＝Ai+(a+b)h， 得到其结果(T1， T2， T3)， 通过T3对Ai进行线性加密的密文； 车辆 再选择五个随机数ca， cb， cx， cα， cβ∈Zp， 车辆基于 Fiat‑Shamir启发式建立非交互式零知识证明进行签名计算， 最终生成签名 σ， σ 为T1， T2， T3， C3， sa， sb， sx， sα， sβ， 签名计算的过程 为： 1) .计算随机参数 ： C1＝caμ， C2＝cbv ， C4＝cxT1‑cαμ， C5＝cxT2‑cβν， C1‑C5为线性运算中间变量， 且C3使用的 是双线性配对； 2).计算证明： Tstamp为时间戳； 3).计算验证参数： S2.4、 数据上传 经过步骤2.1 ‑2.3， 每个车辆计算出自己的模型密文以及其对应的签名， 生成上传数据 Msg＝( σ， Cipher， Tstamp)并上传给RSU， 并等待RSU进一步指示， 若收到RSU的停止命令， 则要 退出群组， 并中止训练， 若收到新的全局模型， 则回到步骤S2.1重复训练。 4.根据权利要求1所述的车联网环境下用于联邦学习的批量 聚合方法， 其特征在于： 所 述步骤S3中模型聚合的具体过程 为： S3.1、 全局模型初始化 开始训练任务前， RSU根据训练任务目标生成对应全局模型， 并使用默认参数对该全局 模型初始化， 即为全局模型分配随机的模型权重和偏置信息， 当群组中有车辆参与联邦学 习时， 就对 全局模型参数进行广播； S3.2、 梯度聚合 当RSU收到车辆训练数据后， 先对其时间戳Tstamp进行验证， 若时间戳不是最新的， 则忽 略该训练数据； 若时间戳 为最新的， 则对签名 σ 进行验证； 当签名 σ 验证有效时， RSU对数据还原： 还原过程为： 先计算H＝Hash(Z1||Z2||En{G})， 然 后使用RSU私钥计算(sk1+sk3H)Z1+(sk2+sk4H)Z2， 若计算结果与加密数据中Z3一致， 则使用 对数据进行还原； 当收到所有车辆的本地更新后， 对所有的参数进行累加并取平均作为新的全局模型，权　利　要　求　书 2/3 页 3 CN 115549901 A 3