面向车联网的联邦学习模型定制框架及算法改进.pdfVIP

第41卷第5期计算机应用研究Vol.41No.5

2024年5月ApplicationResearchofComputersMay2024

面向车联网的联邦学习模型定制框架及算法改进

李翰奇，王小妮，吴秋新，王灿，吴浪，杜俊龙，秦宇?

（1.北京信息科技大学理学院，北京100192；2.中国科学院软件研究所可信计算与信息保障实验室，北京100190)

摘要：针对车联网联邦学习服务难以满足用户训练个性化模型的需求，提出一种创新性的车联网联邦学习模

型定制化服务框架。该框架采用了一种融合设备贡献度和数据集相似性的联邦学习聚合算法，实现了个性化联

邦学习。该算法通过不同权重分配方式和相似性计算，使得不同用户可以根据自己的需求和数据特征，选择合

适的模型训练方案。该框架还提出了一种双重抽样验证方法，解决了模型性能和可信度问题；此外，利用智能合

约支持数据协作，保障了数据的安全性。实验结果表明，提出算法在大多数实验场景中表现出较高的准确率，该

框架可以显著提高车联网服务的个性化水平，同时保证模型的准确性和可靠性。

关键词：车联网；联邦学习；模型定制；智能合约；聚合算法

中图分类号：TP181;U495文献标志码：A文章编号：1001-3695(2024)05-007-1328-10

doi:10.19734/j.issn.1001-3695.2023.09.0416

Customizedfederatedlearningmodelframeworkand

algorithmenhancementsforvehicularnetworks

LiHanqi,WangXiaoni*,WuQiuxin,WangCan,WuLang,DuJunlong,QinYu?

(1.SchoolofAppliedScience,BeijingInformationScienceTechnologyUniversity,Bejing100192,China;2.TrustedComputingInforma-

tionAssuranceLaboratory,InstituteofSofiware,ChineseAcademyofSciences,Bejing100190,China)

Abstract:ThispaperproposedaninnovativecustomizedserviceframeworkforthefederatedlearningmodeloftheInternetof

Vehicles(IoV),whichaddressedthedifficultyofmeetingtheneedsofuserstotrainpersonalizedmodelsinIoVfederated

learningservices.Thisframeworkadoptedafederatedlearningaggregationalgorithmthatintegrateddevicecontributionand

datasetsimilarity,achievingpersonalizedfederatedlearning.Thisalgorithmuseddifferentweightallocationmethodsandsimi-

laritycalculationstoenabledifferentuserstochooseappropriatemodeltrainingschemesbasedontheirownneedsanddata

characteristics.Theframeworkalsoproposed