一种自动驾驶车联网的联邦学习系统及方法

1.本发明涉及自动驾驶车辆网领域，尤其涉及一种自动驾驶车联网的联邦学习系统及方法。


背景技术：

2.随着经济以及社会的发展，汽车的成本显著降低并且人们的收入在不断的提高，使得车辆的拥有量呈指数型增长。显而易见的是，车辆大大方便了我们的生活。但是车辆的增多，随之而来的是交通事故的增多以及交通系统瘫痪率的增加。因此，如何提高交通系统的安全性和效率成了当务之急。而自动驾驶车联网(autonomous vehicular networks,avns)能够实现多辆自动驾驶车辆(autonomous vehicles,avs)之间的协同决策和控制，以达到高水平的自主驾驶和更大程度的智能交通化系统。除此之外，减少二氧化碳排放量，减少交通事故，提高交通流量等也是avn带来的一些优点。在avn中，车辆自动驾驶的实现需要通过感知、决策、控制等多个模块的协调。而这些模块的运行依赖于人工算法训练的模型。在训练过程中，会使用到大量的数据，并且这些数据都是非常敏感的，包括位置信息、交通情况、车主的隐私信息等。一般来说，这些信息很容易被窃取并且被修改。另外，每台车辆每天都会产生大量的数据，如果这些数据都被上传到云服务器(elastic computer service,ecs)，会造成昂贵的通信成本。而联邦学习的出现，一定程度上解决了这些问题。
3.联邦学习是一种分布式机器学习方法，旨在让多个参与方能够在保护数据隐私的前提下共同训练一个全局模型。这常被用到avn中来实现自动驾驶。具体而言，ai模型是在av上使用本地数据进行训练，并且将仅包含模型更新的信息发送到中央服务器进行聚合。这种方式有效地解决了数据隐私和安全性问题，并且显著降低了资源(例如，能量、带宽等)消耗。然而，尽管联邦学习可以使avns中的自动驾驶受益，但它仍然面临一些安全和隐私威胁。首先是更新之后的模型参数可能会被服务器拿来对av进行推理攻击。其次是av传递的模型参数可能会因为通信不佳而被攻击者窃听，从而造成隐私泄露。最后，过程中轮次的取值不当会影响算法的性能，阻碍模型的收敛。


技术实现要素：

4.有鉴于现有技术的上述缺陷，本发明所要解决的技术问题是现有自动驾驶车联网联邦学习系统中模型参数容易被恶意攻击者窃取，安全性能低，且模型性能不佳等问题。本发明提供了一种自动驾驶车联网的联邦学习系统，降低更新后的模型参数被恶意攻击者窃取的风险，提高联邦学习的安全性，保护车辆隐私信息不被窃取，增强自动驾驶车辆的性能。
5.本发明提供了一种自动驾驶车联网的联邦学习系统包括本地训练单元、隐私保护单元、中间层聚合单元和全局聚合单元；其中，本地训练单元续执行隐私保护单元，本地训练单元通过无线信道与中间层聚合单元连接，中间层聚合单元执行隐私保护单元，中间层聚合单元通过无线信道与全局聚合单元连接。
6.进一步地，本地训练单元负责执行联邦学习中的本地训练，包括参与联邦学习的自动驾驶车辆；隐私保护单元负责对本地训练单元的本地模型参数以及中间层聚合单元的中间模型参数进行隐私保护；中间层聚合单元负责执行联邦学习中的中间层模型聚合，包括路测单元(road side unit，rsu)；全局聚合层400负责执行联邦学习中的全局模型聚合以及缩小中间层聚合次数和全局聚合次数，包括基站。
7.进一步地，隐私保护单元使用差分隐私算法实现，本地训练单元和中间层聚合单元同样执行差分隐私算法，以保证联邦学习系统具有更高的安全性。
8.进一步地，全局聚合单元根据训练效益缩小中间层聚合次数和全局聚合次数，并广播给中间层聚合单元和本地训练单元，保证训练效率。
9.本发明的又一较佳实施例提供了一种自动驾驶车联网的联邦学习方法，包括以下步骤：
10.s100、含有本地数据集的自动驾驶车辆执行联邦学习中的本地训练，得到本地模型参数；
11.s200、自动驾驶车辆对本地模型参数执行隐私保护算法，并将含噪声的本地模型参数通过无线信道发送给中间层聚合单元；
12.s300、各中间层聚合单元对收到的本地模型参数执行联邦学习中的中间层训练，得到中间模型；
13.s400、各中间层聚合单元对中间模型参数执行隐私保护算法，并将参数通过无线信道发送给全局聚合单元；
14.s500、全局聚合层对收到的中间模型参数执行联邦学习中的全局聚合，得到全局参数，并根据训练效益，调整训练轮次，并输出此时的所有模型参数以及训练轮数。
15.进一步地，在步骤s500后还包括s500a：判断模型性能是否达到要求或迭代次数是否超过设定值，是，则结束；否，则回到步骤s100继续进行全局模型的迭代。
16.进一步地，s100、含有本地数据集的自动驾驶车辆执行联邦学习中的本地训练，得到本地模型参数，具体包括以下步骤：
17.步骤110、包括自动驾驶车辆的本地训练单元对采样组进行取样得到数据集样本集；
18.步骤120、本地训练单元对获得的样本集中的每个样本进行本地更新；
19.步骤130、本地训练单元对更新之后的每个样本的梯度进行裁剪；
20.步骤140、本地训练单元根据裁剪之后得到的本地梯度对本地模型进行更新；然后，判断迭代次数是否达到本地迭代次数条件，若是，则执行150；若否，则返回步骤110继续进行本地模型训练；
21.步骤150、本地训练单元对本地模型参数执行隐私保护单元，得到添加噪声的本地模型参数。
22.进一步地，s400、各中间层聚合单元对中间模型参数执行隐私保护算法，并将参数通过无线信道发送给全局聚合单元，具体包括以下步骤：
23.步骤410、对得到中间层模型参数；判断迭代次数是否达到中间迭代次数条件，若是，则执行步骤420a；若否，则执行420b；其中，
24.步骤420a、各中间聚合层单元将聚合后的参数广播给区域内的自动驾驶车辆；
25.步骤420b、各中间层对中间层模型参数执行隐私保护算法，得到添加噪声的中间层模型参数；
26.步骤430、将各中间层训练带来的效益与中间模型效益阙值进行比较，得到训练效益小于阙值的rsu数量；
27.步骤440、将含有噪声的中间层模型参数以及训练效益小于阙值的rsu数量通过无线信道发送给全局聚合层。
28.进一步地，s500、全局聚合层对收到的中间模型参数执行联邦学习中的全局聚合，得到全局参数，并根据训练效益，调整训练轮次，并输出此时的所有模型参数以及训练轮数具体包括以下步骤：
29.步骤510、全局聚合层单元对发来的中间层模型参数进行聚合，得到全局模型参数；
30.步骤520、全局聚合单元根据中间层聚合单元发来的中间层训练效益小于阙值的rsu比率，缩小中间聚合层聚合次数；
31.步骤530、全局聚合单元将全局训练带来的效益与全局模型效益阙值的大小关系，缩小全局聚合次数；
32.步骤540、全局聚合单元将聚合后的参数广播给每一个自动驾驶车辆。
33.步骤550、全局聚合单元向所有的中间层聚合单元以及所有自动驾驶车辆广播新的中间层聚合单元和全局聚合层的聚合次数。
34.技术效果
35.本发明的一种自动驾驶车联网的联邦学习系统及方法，为了应对联邦学习中数据传输时仍然存在的隐私泄露问题，建立了隐私保护单元。自动驾驶车辆以及全局聚合层单元在通过无线信道发送数据之前都会对模型参数实施差分隐私算法，防御服务器对更新后的模型参数发起推理攻击和攻击者实施窃听攻击，有效地保护了车辆隐私。
36.在联邦学习环境下实施差分隐私，存在一个最优通信轮次。为了趋近这一轮次，本发明通过在训练过程中用折扣的方法调整通信轮数来达到更好的效果，通过减少训练轮次，以在有限的轮次内，得到更优异的模型性能。
37.以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的目的、特征和效果。
附图说明
38.图1是本发明的一个较佳实施例的一种自动驾驶车联网的联邦学习系统的示意图；
39.图2是本发明的一个较佳实施例的一种自动驾驶车联网的联邦学习方法的流程示意图；
40.图3是本发明的一个较佳实施例的一种自动驾驶车联网的联邦学习方法的本地训练单元的训练流程示意图；
41.图4是本发明的一个较佳实施例的一种自动驾驶车联网的联邦学习方法的隐私保护单元的运作流程示意图；
42.图5是本发明的一个较佳实施例的一种自动驾驶车联网的联邦学习方法的中间层
训练单元的训练流程示意图；
43.图6是本发明的一个较佳实施例的一种自动驾驶车联网的联邦学习方法的全局聚合层单元的训练流程示意图。
具体实施方式
44.为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
45.以下描述中，为了说明而不是为了限定，提出了诸如特定内部程序、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
46.如图1所示，本发明一较佳实施例提供了一种自动驾驶车联网的联邦学习系统，包括本地训练单元100、隐私保护单元200、中间层聚合单元300和全局聚合层单元400；其中，本地训练单元100执行隐私保护单元；本地训练单元100通过无线信道与中间层聚合单元连接；中间层聚合单元300执行隐私保护单元200；中间层聚合单元300通过无线信道与全局聚合单元400连接。
47.本地训练单元100负责对拥有本地训练集的车辆执行本地训练，包括参与联邦学习的自动驾驶车辆。自动驾驶车辆基于本地数据集和上一轮的全局模型参数，进行本地模型的训练，以得到本地模型参数。在通信方面，自动驾驶车辆通过无线信道与rsu通信，同时以专用短程通信方式实现自动驾驶车辆之间的通信。
48.隐私保护单元200负责对本地训练单元100和中间层聚合单元200的模型参数进行加密保护。具体来说，隐私保护单元包括一种算法，为差分隐私算法。当本地迭代次数达到本地迭代次数条件时，本地训练单元100会对本地模型参数执行差分隐私算法，得到含有噪声的本地模型参数。同理，中间层迭代次数达到中间层迭代次数条件时，中间层聚合单元会对中间层模型参数执行差分隐私算法，得到含有噪声的中间层模型参数。
49.中间层聚合单元300负责执行联邦学习中的中间层模型聚合，包括多个rsu。中间层聚合单元300在收到本地训练单元100传来的本地模型参数后，对这些参数进行中间模型聚合，得到中间层模型参数。
50.全局聚合单元400负责执行联邦学习中的全局模型聚合以及训练轮次的缩小，包括基站。基站在收到中间层聚合单元300传来的中间层模型参数后，对这些参数进行全局模型聚合，得到全局模型参数，并且通过中间层聚合单元300下发给本地训练单元100。然后会根据训练带来的效益去调整训练轮次，并广播给中间层聚合单元和本地训练单元，开启下一轮的模型训练。
51.基于上述的基于差分隐私的联邦学习系统，提供了一种自动驾驶车联网的联邦学习方法，如图2所示，具体步骤如下：
52.s100、拥有本地数据集的自动驾驶车辆执行联邦学习的本地训练过程，并得到本地模型参数；
53.具体地，如图3所示，具体步骤如下：
54.步骤110、本地训练单元100对采样组进行取样得到数据集样本集；
55.具体地，以的概率进行取样，得到数据集样本集di。
56.步骤120、本地训练单元100对取样得到的样本集的每个样本m∈di进行本地梯度更新：
[0057][0058][0059]
其中，为更新后的梯度，|di|为数据集di的大小，fk是对于数据集样本(xk，yk)和本地模型参数ω训练的损失函数，损失函数是凸的也可以是非凸的。
[0060]
步骤130、本地训练单元100对更新得到的梯度进行裁剪；
[0061]
具体地，由于网络在训练过程中，梯度可能变得很大，另外加入的dp噪声也可能使得梯度变样。因此，本地训练单元100在对梯度更新完之后需要对梯度进行裁剪：
[0062][0063]
其中，c为梯度范数界。
[0064]
步骤140、本地训练单元100根据裁剪之后的梯度对本地模型参数进行更新，得到更新之后的本地模型参数
[0065]
s200、自动驾驶车辆对本地模型参数执行隐私保护算法，并将参数发送给中间层聚合单元300；
[0066]
如图4所示，隐私保护单元200的具体步骤如下：
[0067]
步骤210、隐私保护单元200对隐私参数进行确定；
[0068]
具体地，鉴于联邦学习要保护的数据都是数值数据，引入高斯机制来保证(∈,δ)-差分隐私。其中∈表示隐私预算，表示当前隐私级别，δ是松弛系数，定义了∈-差分隐私的失败概率。
[0069]
步骤220、隐私保护单元200针对需要保护的数据计算其敏感度δs；
[0070]
步骤230、隐私保护单元200根据隐私参数(∈,δ)以及敏感度δs进行计算，得到合适的高斯噪声尺度σi；
[0071]
步骤240、隐私保护单元200最后将得到的高斯噪声尺度σi添加到原始数据当中，得到加密之后的模型参数；
[0072]
本地迭代次数满足迭代条件后，自动驾驶车辆根据隐私预算∈，和松弛系数δ向本地模型参数添加高斯噪声，即：
[0073][0074]
得到含有噪声的本地模型参数并通过无线信道发送给中间层聚合单元300。若不满足，则本地训练单元100继续进行本地训练。
[0075]
s300、各中间层聚合单元300对收到的本地模型参数执行中间聚合，得到中间模型参数；
[0076]
s400、各中间层聚合单元300对中间模型参数执行隐私保护算法，并将参数发送给全局聚合单元400；
[0077]
具体地，如图5所示，各中间层聚合单元对中间模型参数执行隐私保护算法的训练步骤如下：
[0078]
s300、各中间层聚合单元对收到的本地模型参数进行聚合，得到中间模型参数
[0079]
步骤410、判断中间层迭代次数是否达到中间层迭代条件，若是，则执行步骤420a：
[0080]
步骤420a.各中间层聚合单元对中间模型参数执行隐私保护算法，得到添加噪声的中间模型参数；
[0081]
具体地，隐私保护单元的运作流程在上面已经说清楚，得到噪声尺度之后，将噪声添加到中间模型参数上，即
[0082][0083]
得到添加噪声的中间模型参数
[0084]
步骤430、各中间层聚合单元对训练带来的模型效益与中间效益阙值进行比较，得到训练效益小于阙值的rsu数量；
[0085]
具体地，表示用模型参数检验测试集的损失，θm表示中间层模型效益阙值。θm越小，说明训练带来的模型效益越小。如果满足：
[0086][0087]
其中t
l
为本地训练层训练次数，tm为中间聚合层训练次数。此时说明中间层模型训练带来的效益小于中间层模型效益阙值
[0088]
步骤440、各中间层聚合单元300将含有噪声的中间模型参数以及训练效益小于阙值的rsu数量通过无线信道发送给全局聚合层400。
[0089]
若中间层迭代次数没有达到中间层迭代次数条件，则执行420b：
[0090]
步骤420b、各中间层聚合单元将聚合后的中间模型参数广播给区域内的自动驾驶车辆。
[0091]
s500.全局聚合层单元400对传来的中间模型参数进行全局聚合，得到全局参数，并且根据训练带来的模型效益调整训练次数。
[0092]
具体地，如图6所示，全局聚合层单元的训练步骤如下：
[0093]
步骤510、全局聚合单元400对发来的中间模型参数进行聚合，得到全局参数。
[0094]
步骤520、全局聚合单元400根据中间聚合层单元发来的中间层模型训练效益小于中间模型效益阙值的rsu比率，对中间聚合次数进行缩小；
[0095]
具体地，当中间层训练带来的效益小于中间模型效益阙值θm的rsu比率超过效益比例γ时，考虑以的尺度缩小中间层聚合次数tm的值。其中t为当前轮次，tg为全局聚合次数。βm为衰减系数，根据实际情况调节。
[0096]
步骤530，全局聚合单元根据全局训练带来的效益和全局模型效益阙值θg的大小关系，缩小全局训练次数；
[0097]
具体地，当全局训练带来的效益小于全局模型效益阙值θg时，考虑以的尺度缩小全局聚合次数tg的值。其中βg为衰减系数，根据实际情况调节。
[0098]
步骤540、全局聚合单元400将聚合后的参数通过中间层聚合单元300体发送给每一个自动驾驶车辆；
[0099]
步骤550、全局聚合单元400向所有的中间层聚合单元300以及所有的自动驾驶车辆广播新的中间层聚合次数tm和全局聚合次数tg；
[0100]
在步骤s500后还包括步骤s500a：判断模型性能是否达到要求或迭代次数是否达到设定值，是，则结束进程；否，则回到步骤s100继续进行全局模型的迭代。
[0101]
具体地，若需回到步骤s100继续进行全局模型迭代，全局模型聚合单元400将通过中间层模型单元300将新一轮的全局模型参数ω
t+1
下发给自动驾驶车辆。并且向所有的中间层聚合单元300以及所有的自动驾驶车辆广播新的中间层聚合次数tm和全局聚合次数tg。
[0102]
以下将举一个具体例子来说明本发明提供的一种自动驾驶车联网的联邦学习系统及方法。
[0103]
设定在avns中，有100辆av，同时有10个均匀部署在路面的rsu，即n＝100,m＝10。每个rsu管辖范围内有10辆车辆，即|sj|＝10。进行全局聚合的ecs服务器有且仅有一个。
[0104]
首先，本地训练单元100对采样组进行取样得到数据集样本集，设置采样组大小|li|＝64，以的概率进行取样，得到数据集样本集di。之后对取样得到的样本集的每个样本m∈di进行本地梯度更新获得更新后的梯度。最后训练单元100根据裁剪之后的梯度对本地模型参数进行更新，得到更新之后的本地模型参数
[0105]
其次，隐私保护单元200会对更新之后的本地模型参数进行加噪处理，得到含有噪声的本地模型参数然后自动驾驶车辆通过无线信道将加密后的本地模型参数发送给中间层聚合单元300；
[0106]
之后中间层聚合单元300会对发来的本地模型参数进行中间层模型聚合得到中间模型参数然后通过隐私保护单元200对中间层模型参数进行加噪处理得到含有噪声的中间层模型参数达到中间层迭代条件后，中间层聚合单元300通过无线信道将含有噪声的中间层模型参数发送给全局聚合单元400。
[0107]
最后全局聚合单元400对发来的中间层模型参数进行全局聚合得到全局模型参数ω
t+1
。并根据此时训练带来的效益以及效益阈值调整中间层训练次数tm和全局聚合层训练次数tg。
[0108]
最终模型性能达到要求之后会将本地模型参数、中间模型参数以及全局模型参数进行输出，并且会输出该模型的准确率和损失函数值以及总通信轮次t＝tm·
tg的变化。
[0109]
通过最终的模型性能报告，本发明提出的自动驾驶车联网的联邦学习系统的准确率可以达到95％以上，并且迭代前期本发明的性能要优于不添加噪声模型的训练方法。由
于av和rsu添加的噪声都遵从高斯分布，因此噪声会互相抵消一部分，从而削弱了对模型性能的影响。因此，在当前隐私预算参数的设置下，即保护了隐私，也维持了性能。并且结果表面本发明的总通信轮次在训练后期会较快的下降，因为在训练的后期，噪声的影响占据高位，在这种情况下继续训练反而会使得模型性能降低，因此总通信轮次t会较快的下降，提前结束训练。
[0110]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

技术特征：
1.一种自动驾驶车联网的联邦学习系统，其特征在于，包括本地训练单元、隐私保护单元、中间层聚合单元和全局聚合单元；其中，所述本地训练单元续执行隐私保护单元，所述本地训练单元通过无线信道与所述中间层聚合单元连接，所述中间层聚合单元执行所述隐私保护单元，所述中间层聚合单元通过无线信道与所述全局聚合单元连接。2.如权利要求1所述的一种自动驾驶车联网的联邦学习系统，其特征在于，所述本地训练单元负责执行联邦学习中的本地训练，包括参与联邦学习的自动驾驶车辆；所述隐私保护单元负责对本地训练单元的本地模型参数以及中间层聚合单元的中间模型参数进行隐私保护；所述中间层聚合单元负责执行联邦学习中的中间层模型聚合，包括路测单元；所述全局聚合层负责执行联邦学习中的全局模型聚合以及缩小中间层聚合次数和全局聚合次数，包括基站。3.如权利要求2所述的一种自动驾驶车联网的联邦学习系统，其特征在于，所述隐私保护单元使用差分隐私算法实现，所述本地训练单元和所述中间层聚合单元同样执行差分隐私算法，以保证联邦学习系统具有更高的安全性。4.如权利要求2所述的一种自动驾驶车联网的联邦学习系统，其特征在于，所述全局聚合单元根据训练效益缩小中间层聚合次数和全局聚合次数，并广播给中间层聚合单元和本地训练单元，保证训练效率。5.一种自动驾驶车联网的联邦学习方法，其特征在于，包括以下步骤：s100、含有本地数据集的自动驾驶车辆执行联邦学习中的本地训练，得到本地模型参数；s200、自动驾驶车辆对所述本地模型参数执行隐私保护算法，并将含噪声的本地模型参数通过无线信道发送给中间层聚合单元；s300、各中间层聚合单元对收到的本地模型参数执行联邦学习中的中间层训练，得到中间模型；s400、各中间层聚合单元对所述中间模型参数执行隐私保护算法，并将参数通过无线信道发送给全局聚合单元；s500、全局聚合层对收到的中间模型参数执行联邦学习中的全局聚合，得到全局参数，并根据训练效益，调整训练轮次，并输出此时的所有模型参数以及训练轮数。6.如权利要求5所述的一种自动驾驶车联网的联邦学习方法，其特征在于，在步骤s500后还包括s500a：判断模型性能是否达到要求或迭代次数是否超过设定值，是，则结束；否，则回到步骤s100继续进行全局模型的迭代。7.如权利要求5所述的一种自动驾驶车联网的联邦学习方法，其特征在于，s100、含有本地数据集的自动驾驶车辆执行联邦学习中的本地训练，得到本地模型参数，具体包括以下步骤：步骤110、包括自动驾驶车辆的本地训练单元对采样组进行取样得到数据集样本集；步骤120、所述本地训练单元对获得的所述样本集中的每个样本进行本地更新；步骤130、所述本地训练单元对更新之后的每个样本的梯度进行裁剪；步骤140、所述本地训练单元根据裁剪之后得到的本地梯度对本地模型进行更新；然后，判断迭代次数是否达到本地迭代次数条件，若是，则执行150；若否，则返回步骤110继续进行本地模型训练；
步骤150、所述本地训练单元对本地模型参数执行隐私保护单元，得到添加噪声的本地模型参数。8.如权利要求7所述的一种自动驾驶车联网的联邦学习方法，其特征在于，s400、各中间层聚合单元对所述中间模型参数执行隐私保护算法，并将参数通过无线信道发送给全局聚合单元，具体包括以下步骤：步骤410、对得到中间层模型参数；判断迭代次数是否达到中间迭代次数条件，若是，则执行步骤420a；若否，则执行420b；其中，步骤420a、各中间聚合层单元将聚合后的参数广播给区域内的自动驾驶车辆；步骤420b、各中间层对中间层模型参数执行隐私保护算法，得到添加噪声的中间层模型参数；步骤430、将各中间层训练带来的效益与中间模型效益阙值进行比较，得到训练效益小于阙值的rsu数量；步骤440、将含有噪声的中间层模型参数以及训练效益小于阙值的rsu数量通过无线信道发送给全局聚合层。9.如权利要求8所述的一种自动驾驶车联网的联邦学习方法，其特征在于，s500、全局聚合层对收到的中间模型参数执行联邦学习中的全局聚合，得到全局参数，并根据训练效益，调整训练轮次，具体包括以下步骤：步骤510、全局聚合层单元对发来的中间层模型参数进行聚合，得到全局模型参数；步骤520、全局聚合单元根据中间层聚合单元发来的中间层训练效益小于阙值的rsu比率，缩小中间聚合层聚合次数；步骤530、全局聚合单元将全局训练带来的效益与全局模型效益阙值的大小关系，缩小全局聚合次数；步骤540、全局聚合单元将聚合后的参数广播给每一个自动驾驶车辆。步骤550、全局聚合单元向所有的中间层聚合单元以及所有自动驾驶车辆广播新的中间层聚合单元和全局聚合层的聚合次数。

技术总结
本发明公开了一种自动驾驶车联网的联邦学习系统包括本地训练单元、隐私保护单元、中间层聚合单元和全局聚合单元；其中，本地训练单元续执行隐私保护单元，本地训练单元通过无线信道与中间层聚合单元连接，中间层聚合单元执行隐私保护单元，中间层聚合单元通过无线信道与全局聚合单元连接。本发明的一种自动驾驶车联网的联邦学习系统，降低更新后的模型参数被恶意攻击者窃取的风险，提高联邦学习的安全性，保护车辆隐私信息不被窃取，增强自动驾驶车辆的性能。车辆的性能。车辆的性能。


技术研发人员：许其超 赵立峰 杨作林 刘子路 苏洲
受保护的技术使用者：上海大学
技术研发日：2023.06.30
技术公布日：2023/10/5