[논문 리뷰] Federated Learning for Connected and Automated Vehicles: A Survey of Existing Approaches and Challenges

Vishnu Pandi Chellapandi, Liangqi Yuan외 3명|arXiv (Cornell University)|2023. 08. 21.

Privacy-Preserving Technologies in Data인용 수 5

한 줄 요약

이 종합적 리뷰는 연결형 자율주행차(CAV)를 위한 연합학습(FL)에 대해 포괄적인 검토를 제안하며, 중심화된 및 분산형 FL 아키텍처, 데이터 모odal리티, 보안 기법, 응용 분야를 분석한다. 통신 오버헤드, 프라이버시, 시스템 이질성, 모델 수렴성 등의 주요 과제를 규명하면서, CAV에서 프라이버시를 보존하는 협업 모델 훈련을 향상시킬 수 있는 FL의 잠재력을 강조한다.

ABSTRACT

Machine learning (ML) is widely used for key tasks in Connected and Automated Vehicles (CAV), including perception, planning, and control. However, its reliance on vehicular data for model training presents significant challenges related to in-vehicle user privacy and communication overhead generated by massive data volumes. Federated learning (FL) is a decentralized ML approach that enables multiple vehicles to collaboratively develop models, broadening learning from various driving environments, enhancing overall performance, and simultaneously securing local vehicle data privacy and security. This survey paper presents a review of the advancements made in the application of FL for CAV (FL4CAV). First, centralized and decentralized frameworks of FL are analyzed, highlighting their key characteristics and methodologies. Second, diverse data sources, models, and data security techniques relevant to FL in CAVs are reviewed, emphasizing their significance in ensuring privacy and confidentiality. Third, specific applications of FL are explored, providing insight into the base models and datasets employed for each application. Finally, existing challenges for FL4CAV are listed and potential directions for future investigation to further enhance the effectiveness and efficiency of FL in the context of CAV are discussed.

연구 동기 및 목표

• 연결형 자율주행차(CAV)를 위한 중심화된 및 분산형 연합학습(FL) 아키텍처를 분석하기.
• CAV의 FL에 관련된 다양한 데이터 소스, 머신러닝 모델, 데이터 보안 기법을 검토하기.
• CAV에서의 특정 FL 응용 분야를 탐색하기, 바탕이 되는 모델, 데이터셋, 활용 사례 포함.
• 통신 효율성, 프라이버시, 시스템 이질성 등의 주요 과제를 규명하기.
• CAV 환경에서 FL의 효과성과 효율성을 향상시키기 위한 향후 연구 방향 제안하기.

제안 방법

• FL 아키텍처를 중심화된 및 분산형 아키텍처로 분류하고, 통신 및 프라이버시 간의 트레이드오프를 평가한다.
• CAV의 데이터 모달리티를 검토하며, 센서 데이터(LiDAR, 카메라), V2X 통신, ECU 데이터 등을 모델 훈련에 활용한다.
• CAV의 FL에서의 프라이버시 보존 기법인 보안 집계, 차별적 프라이버시, 동형 암호화를 분석한다.
• CAV에서의 FL 응용 분야를 평가하며, 인식, 계획, 제어, 운전자 행동 모델링, 이상 탐지, 예측 정비 포함.
• 자원 활용 최적화 및 통신 부하 감소를 위해 협업형 FL 및 강화학습 기반 클라이언트 선택 기법을 제안한다.
• 이질적인 CAV 네트워크에서의 스트래글러 효과를 완화하고 클라이언트 선택을 향상시키기 위해 신뢰 기반 딥 강화학습을 도입한다.

Figure 1: Roadmap of this survey paper.

실험 결과

연구 질문

• RQ1 연결형 자율주행차의 고유한 데이터, 통신, 프라이버시 제약 조건에 맞게 연합학습을 효과적으로 어떻게 적응시킬 수 있는가?
• RQ2 CAV 환경에서 중심화된 및 분산형 FL 아키텍처 간의 주요 차이점과 트레이드오프는 무엇인가?
• RQ3 다양한 장치 성능과 네트워크 조건을 포함한 시스템 이질성 문제를 CAV의 FL에서 어떻게 완화할 수 있는가?
• RQ4 다양한 프라이버시 요구 사항을 가진 차량이 참여할 경우, 데이터 무결성과 공정성을 확보하기 위한 메커니즘은 무엇인가?
• RQ5 새로운 차량이 네트워크에 참여하는 상황과 악성 또는 고장 난 업데이트에 대비한 강건한 진단을 위해 FL 아키텍처는 어떻게 평가하고 최적화할 수 있는가?

주요 결과

• 연합학습은 원시 데이터 대신 모델 파라미터(기울기 또는 가중치)만 전송하기 때문에 통신 오버헤드를 크게 줄여 CAV 환경에서 네트워크 효율성을 향상시킨다.
• 원시 차량 데이터가 차량 외부로 이동하지 않기 때문에 FL은 로컬 데이터 프라이버시를 보장하여 GDPR 및 기타 프라이버시 규정을 준수한다.
• 분산형 FL 아키텍처는 중앙 서버 의존도를 낮추고, 특히 고지연 또는 연결 끊김이 발생하는 V2X 환경에서 복원력을 향상시킨다.
• 나쁜 연결 상태 또는 낮은 처리 성능로 인해 지연이 발생하는 스트래글러 디바이스 문제는 적응 전략 및 클라이언트 선택 모델을 통해 완화할 수 있다.
• 신뢰 기반 딥 강화학습은 신뢰할 수 있고 고성능의 데이터 기여자들을 우선순위로 삼음으로써 클라이언트 선택 및 모델 수렴성을 향상시킨다.
• 카라타스트로픽 플래싱 및 자원 활용의 비효율성과 같은 과제는 여전히 열려 있는 문제이며, 동적이고 이질적인 CAV 네트워크에서의 추가 연구가 필요하다.

Figure 2: Illustration of (a) centralized and (b) decentralized federated learning for connected and automated vehicles.