AEFL: Anonymous and Efficient Federated Learning in Vehicle–Road Cooperation Systems With Augmented Intelligence of Things
Notice bibliographique
Résumé
As the Augmented Intelligence of Things (AIoT) advances within vehicle-road coordination systems, challenges related to road traffic data transmission and processing are being increasingly addressed. However, this progress also brings significant risks of privacy data leakage. Federated learning (FL), a distributed machine learning paradigm, effectively safeguards client data privacy by allowing multiple participants to collaboratively train models while keeping their data localized. Despite its benefits, FL faces challenges, such as model parameter leakage and Byzantine attacks. To tackle these issues, this article introduces an anonymous and efficient FL framework for vehicle-road coordination systems (AEFL), designed to ensure a secure and reliable vehicle data transmission process. This architecture incorporates a novel group pairing onion routing protocol, which leverages pairing cryptography principles for hierarchical data encryption. During the routing process, relay group nodes decrypt the corresponding layer, ensuring both data confidentiality and node anonymity. Additionally, a sampling method is proposed to accurately identify Byzantine vehicle nodes, enhancing the precision of FL aggregation without compromising overall model performance. Experimental results show that AEFL outperforms the classic TOR anonymous routing protocol, achieving a 100% message delivery rate more quickly. Under the same conditions, the anonymity of the source node and the destination node improves by 3.9% and 1.9%, respectively. When half of the nodes are compromised, path anonymity can be increased by 24.8%. Furthermore, our framework excels in FL aggregation efficiency, with a Byzantine adversary detection accuracy of up to 99%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».