[发明专利]一种基于强化学习的隐私保护移动群智感知方法

说明书

本发明公开了一种基于强化学习的隐私保护移动群智感知方法，本发明基于激励机制进行KL隐私保护的数据聚合；基于假设检验进行数据可靠性验证；采用强化学习算法进行用户信誉更新和聚合权重计算；本发明使用基于声誉的激励机制提供了一种KL隐私保护数据聚合；另一方面，本发明提供了基于假设检验的数据可靠性验证和用户信誉更新，这两种方法共同减轻了篡改数据的影响；同时，采用一种强化学习算法来获得最优测试阈值；本发明提供的数据具有更好的聚合精度。

技术领域

本发明涉及工业物联网的智能隐私保护技术领域，特别涉及一种基于强化学习的隐私保护移动群智感知方法。

背景技术

随着移动设备迅速发展，如智能手机、智能手表、平板电脑等。目前，移动群智感知已经引起了工业物联网的广泛关注。通过边缘计算，公共云中心可以利用物联网终端获取有用信息。具体来说，终端设备收集的数据由边缘融合中心(FC)整合，公共云中心可以从融合中心的加密数据中获取聚合信息。但是，融合中心也可能不可信，即会受到恶意攻击者的攻击。另一方面，参与用户端向融合中心提供感知数据的成本很高，这使得在没有补偿机制的情况下，参与用户端不愿意进行群智感知。

为了解决这个问题，基于特定的激励机制，已经提出了许多工作。这些工作的基本思想是，参与用户端通过注入噪声来贡献扰动的数据以保护隐私，融合中心为参与用户端的隐私损失买单。然而，这随即产生了另外两个问题:如何选择合理的噪声量来保护所需的隐私，以及如何实现有效的数据可靠性并最终最小化篡改数据的影响。这些问题应该通过首先量化隐私保护度，然后同时优化聚合精度以及为参与用户端提供可接受的隐私保护度来解决。事实上，设计一个激励机制是至关重要的，这个机制可以确保诚实的参与用户端提供扰动过的私人数据，而他们的隐私保护度能够得到融合中心的良好补偿。这表明，从融合中心向参与用户端支付的报酬与参与用户端的声誉有某种关系，这是通过有效的验证过程从其提供的数据的可靠性中获得的。

针对以上问题，高效地保护移动边缘群智感知显得尤为重要，并且出现了一系列研究成果，赵等(K.Zhao,S.Tang,B.Zhao,and Y.Wu,“Dynamic and privacypreservingreputation management for blockchain-based mobile crowdsensing,”IEEEAccess,vol.7,pp.74694-74710,2019.)实现了隐私保护和防止恶意行为的信誉管理。沈等人(M.Shen,X.Tang,L.Zhu,X.Du,andM.Guizani,“Privacy-Preserving Support VectorMachine Training over Blockchain-Based Encrypted IoT Data in Smart Cities,”IEEE Internet ofThings Journal,vol.6,no.5,pp.7702-7712,2019.)将机器学习和算法结合起来进行隐私保护机制的设计。梁等(Y.Liang,Z.Cai,J.Yu,Q.Han,andY.Li,“DeepLearning Based Inference of Private Information Using Embedded Sensors inSmart Devices,”IEEE Network,vol.32,no.4,pp.8-14,2018.)利用对嵌入式传感器的深度学习来保护用户隐私。

虽然这些工作有助于隐私保护的移动边缘群智感知，但仍然存在以下两个挑战：

(1)如何选择合适的噪声来保护期望的隐私。

(2)如何实现高效的数据可靠性验证来减轻篡改数据的影响。

针对这两个问题，设计出合理有效的具有隐私保护的移动群智感知策略是研究人员亟待解决的问题。

发明内容

本发明所要解决的技术问题是：提供一种基于强化学习的隐私保护移动群智感知方法。

为了解决上述技术问题，本发明采用的技术方案为：