关键词:
触发执行编程
非负矩阵分解
联邦学习
区块链
摘要:
随着物联网(Internet of Things,IoT)的快速发展以及新兴技术如5G、IPv6的广泛应用,越来越多的物品通过物联网相互连接。为了操控这些大规模的物联网设备,触发-执行编程(Trigger-Action Programming,TAP)范式成为一种流行的解决方案,TAP为用户联动物联网设备提供了便捷的编程范式。利用机器学习等方法对用户已编辑的TAP规则进行分析,实现TAP规则推荐和生成等功能可以提升用户体验。但TAP规则可能包含个人隐私信息,用户对上传和分享TAP信息存在顾虑。用户在使用TAP服务过程涉及多个参与方,包括设备制造商、服务提供商、应用开发者等。在TAP规则的处理过程中,如果没有采取适当的隐私保护措施,可能会导致用户个人隐私信息的泄露。例如,任何一个参与方存在安全漏洞或恶意行为,可能会导致用户身份信息、位置信息或其他敏感数据隐私信息的泄露。
为了应对物联网中TAP规则处理中的隐私泄露挑战,本文提出了基于联邦学习的TAP数据处理架构。该架构允许用户在本地进行TAP模型训练,无需上传隐私数据,以保护用户的隐私信息。为了解决集中式服务器单点故障和恶意模型参数上传的问题,本文采用了区块链技术改进了集中式TAP联邦学习架构。用户将本地模型更新的累积梯度传输给区块链中的矿工,进行异常识别和交叉验证。矿工委员会整合正常用户提供的累积梯度,得到一个全局模型,并将其作为区块连接到区块链上供用户下载使用。
本文采用轻量级无监督的非负矩阵分解方法验证了提出的TAP分布式学习架构的有效性。实验证明该联邦学习架构能够有效保护TAP数据中的隐私,并且区块链中的矿工能够良好地识别恶意模型参数,确保了模型的稳定性。通过这一创新架构,用户的隐私得到了保护,同时TAP规则的处理安全性得到了提升。