[論文レビュー] Privacy Preserving Machine Learning for Electric Vehicles: A Survey

Abdul Rahman Sani, Muneeb Ul Hassan+2 more|arXiv (Cornell University)|May 17, 2022

Electric Vehicles and Infrastructure被引用数 8

ひとこと要約

本サーベイは、電気自動車（EV）におけるプライバシー保護型機械学習（PPML）技術について包括的な分析を提供する。特に、連合学習、微分プライバシー、ブロックチェーン統合手法に焦点を当て、V2X通信におけるデータのセキュリティを強化する。EVのデータ収集および学習における主なプライバシーリスクを特定し、既存のPPMLソリューションを評価し、知的で接続されたEVエコシステムを安全に保つための課題と今後の研究方向性を提示する。

ABSTRACT

In the recent years, the interest of individual users in modern electric vehicles (EVs) has grown exponentially. An EV has two major components, which make it different from traditional vehicles, first is its environment friendly nature because of being electric, and second is the interconnection ability of these vehicles because of modern information and communication technologies (ICTs). Both of these features are playing a key role in the development of EVs, and both academia and industry personals are working towards development of modern protocols for EV networks. All these interactions, whether from energy perspective or from communication perspective, both are generating a tremendous amount of data every day. In order to get most out of this data collected from EVs, research works have highlighted the use of machine/deep learning techniques for various EV applications. This interaction is quite fruitful, but it also comes with a critical concern of privacy leakage during collection, storage, and training of vehicular data. Therefore, alongside developing machine/deep learning techniques for EVs, it is also critical to ensure that they are resilient to private information leakage and attacks. In this paper, we begin with the discussion about essential background on EVs and privacy preservation techniques, followed by a brief overview of privacy preservation in EVs using machine learning techniques. Particularly, we also focus on an in-depth review of the integration of privacy techniques in EVs and highlighted different application scenarios in EVs. Alongside this, we provide a a very detailed survey of current works on privacy preserving machine/deep learning techniques used for modern EVs. Finally, we present the certain research issues, critical challenges, and future directions of research for researchers working in privacy preservation in EVs.

研究の動機と目的

• V2X通信からの膨大なデータ収集に起因するプライバシー漏洩の懸念が高まっていることを踏まえ、これを解消する。
• EVネットワークに適用可能な既存のプライバシー保護型機械学習（PPML）技術をサーベイおよび分析し、車両通信パラダイムへの統合を検討する。
• PPMLのEVへの導入における主な課題、たとえばデータの機微性、分散型学習、分散システムにおける信頼性を特定する。
• PPMLに関する現在の研究を体系的に概説し、交通管理、エネルギー需要学習、不正侵入検知といった応用シナリオを強調する。
• 次世代EVシステムにおける安全でプライバシーに強く、耐障害性のある機械学習を進化させるために必要なオープンな研究課題と今後の方向性を提示する。

提案手法

• EVに適用されたPPML技術に関する体系的文献レビューを実施し、微分プライバシー、連合学習（FL）、ブロックチェーンベースのデータ整合性に焦点を当てる。
• V2V、V2I、V2G、V2P相互作用を含む、V2X通信モデルにおける応用に基づいて、既存のPPML手法を分類および分析する。
• 認知ラジオネットワークへのPPMLの統合を評価し、動的スペクトルアクセスにおいて、スペクトルセンシングおよびチャネル割り当て時のプライバシーを強調する。
• ブロックチェーン上での連合学習の利用をサーベイし、データ機微性を維持しながら、分散型でプライバシー保護型のモデル学習を可能にするEVネットワークにおける実装を検討する。
• EV用PPMLフレームワークにおける、モデル性能、通信オーバーヘッド、プライバシー保証のトレードオフを評価する。
• 衝突アラート、交通最適化、エネルギー需要学習（EDL）といった特定のEVアプリケーションにPPML技術をマッピングする。

実験結果

リサーチクエスチョン

• RQ1 プライバシー保護型機械学習技術は、データ集約型のEVアプリケーションにおけるデータ漏洩リスクをどのように軽減できるか？
• RQ2 V2X通信ネットワークにおけるEVデータを保護するうえで、最も効果的なPPML技術（たとえば、連合学習や微分プライバシー）は何か？
• RQ3 ブロックチェーン技術は、分散型EVネットワークにおけるデータ整合性と機微性を確保するために、PPMLとどのように統合できるか？
• RQ4 認知ラジオベースのEV通信システムにPPMLを適用する際の主な課題は何か。特に、スペクトルセンシングおよびチャネル割り当ての段階で生じるプライバシー漏洩のリスクに注目する。
• RQ5 機械学習駆動型EVエコシステムにおけるプライバシー、スケーラビリティ、信頼性を強化するための今後の研究方向性は何か？

主な発見

• 現代のEVは1日あたり約30テラバイト（TB）のデータを生成しており、これを効率的に活用し意思決定を支援するための高度な機械学習が不可欠である。
• 連合学習により、EV間で生データを共有せずに協調的なモデル学習が可能となり、分散型V2Xネットワークにおけるプライバシーリスクが顕著に低減される。
• 微分プライバシーは、モデル更新に調整されたノイズを追加することで形式的なプライバシー保証を提供し、運転パターンや位置情報などの機微な情報を保護する。
• ブロックチェーンベースのシステムは、公開レジャーレンダリングの特性上、根本的なプライバシーリスクを有するため、個人識別情報（PII）を保護するためのPPMLプロトコルとの統合が不可欠である。
• 認知ラジオベースのEV通信は、スペクトル予測に機械学習を活用することで恩恵を受けるが、センシングおよびチャネル選択段階でプライバシー漏洩が発生する可能性があるため、PPMLによる保護措置が不可欠である。
• 現在の研究では、連合学習をブロックチェーン上に実装し、微分プライバシーを組み合わせたハイブリッド手法が、EVアプリケーションにおけるプライバシー、パフォーマンス、スケーラビリティのバランスに有望な妥協点を提供していることが示されている。