[논문 리뷰] Privacy Preserving Machine Learning for Electric Vehicles: A Survey

Abdul Rahman Sani, Muneeb Ul Hassan외 2명|arXiv (Cornell University)|2022. 05. 17.

Electric Vehicles and Infrastructure인용 수 8

한 줄 요약

이 종합 검토는 전기자동차(EV)를 위한 개인정보 보호 기반 기계학습(PPML) 기법에 대한 포괄적인 분석을 제시한다. 특히 V2X 통신에서 데이터를 보호하기 위해 연합학습, 차등적 비밀유지, 블록체인 통합 기법을 중심으로 다룬다. EV 데이터 수집 및 학습 과정에서 발생하는 주요 개인정보 유출 위험을 규명하고, 기존의 PPML 기법을 평가하며, 지능적이고 연결된 EV 생태계를 보다 안전하게 만들기 위한 과제와 향후 연구 방향을 제시한다.

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.

연구 동기 및 목표

• V2X 통신에서의 막대한 데이터 수집으로 인한 개인정보 유출 문제에 대응하기 위해.
• EV 네트워크에 적용 가능한 기존의 개인정보 보호 기반 기계학습(PPML) 기법을 조사하고 분석하기 위해.
• 데이터 민감성, 탈중앙화된 학습, 분산 시스템 내 신뢰성 등 PPML 기법을 EV에 구현할 때 발생하는 주요 과제를 규명하기 위해.
• 현재의 PPML 연구에 대한 체계적인 개요를 제공하고, 교통 관리, 에너지 수요 학습, 침입 탐지와 같은 응용 사례를 강조하기 위해.
• 다음 세대의 EV 시스템에서 안전하고 개인정보에 강건한 기계학습을 발전시키기 위한 열린 연구 과제와 향후 연구 방향을 제시하기 위해.

제안 방법

• EV에 적용된 PPML 기법에 대한 체계적인 문헌 검토를 수행하여, 차등적 비밀유지, 연합학습(FL), 블록체인 기반 데이터 무결성에 중점을 둔다.
• V2V, V2I, V2G, V2P 상호작용를 포함한 V2X 통신 모델에서의 응용에 따라 기존의 PPML 방법을 분류하고 분석한다.
• 인지 방식 무선망과의 통합을 평가하여, 스펙트럼 감지 및 채널 할당 과정에서의 개인정보 보호를 강조한다.
• 블록체인을 통한 연합학습을 조사하여, 데이터 기밀성을 유지하면서도 탈중앙화된 개인정보 보호 기반 모델 학습을 가능하게 한다.
• EV용 PPML 프레임워크에서 모델 성능, 통신 오버헤드, 개인정보 보호 보장 간의 상충 관계를 평가한다.
• 충돌 경고, 교통 최적화, 에너지 수요 학습(EDL)과 같은 특정 EV 응용 분야에 PPML 기법을 매핑한다.

실험 결과

연구 질문

• RQ1 어떻게 개인정보 보호 기반 기계학습 기법이 데이터 집약적인 EV 응용 분야에서의 데이터 泄露 위험을 완화할 수 있는가?
• RQ2 V2X 통신 네트워크에서 EV 데이터를 보호하기 위해 가장 효과적인 PPML 기법—예를 들어 연합학습과 차등적 비밀유지—는 무엇인가?
• RQ3 블록체인 기술은 개인정보 보호 기반 기계학습과 어떻게 통합되어 탈중앙화된 EV 네트워크에서 데이터 무결성과 기밀성을 확보할 수 있는가?
• RQ4 인지 방식 무선 기반 EV 통신 시스템에 PPML를 적용할 때의 주요 과제는 무엇인가, 특히 스펙트럼 감지 및 채널 할당 과정에서의 위험 요소는?
• RQ5 기계학습 기반의 EV 생태계에서 개인정보 보호, 확장성, 신뢰성을 강화하기 위해 어떤 향후 연구 방향이 필요한가?

주요 결과

• 현대의 전기자동차는 하루 약 30테라바이트(TB)의 데이터를 생성하며, 이는 효율적인 데이터 활용과 의사결정을 위한 고도의 기계학습이 필요함을 의미한다.
• 연합학습은 원시 데이터를 공유하지 않고도 EV 간의 협업 학습을 가능하게 하여, 탈중앙화된 V2X 네트워크에서 개인정보 위험을 크게 감소시킨다.
• 차등적 비밀유지는 모델 업데이트에 정밀하게 校정된 노이즈를 추가함으로써 공식적인 개인정보 보호 보장을 제공하며, 주행 패턴이나 위치와 같은 민감한 정보를 보호한다.
• 공개 레지스트리의 투명성으로 인해 블록체인 기반 시스템은 본질적으로 개인정보 유출 위험이 존재하므로, 개인식별정보(PII)를 보호하기 위해 PPML 프로토콜과 통합이 필요하다.
• 인지 방식 무선 기반 EV 통신은 스펙트럼 예측을 위한 기계학습의 이점을 얻지만, 감지 및 채널 선택 과정에서 개인정보 유출 위험이 발생할 수 있으므로 PPML 보호 조치가 필수적이다.
• 현재의 연구 결과에 따르면, 연합학습을 블록체인에 통합하고 차등적 비밀유지를 추가한 하이브리드 접근 방식이, 개인정보 보호, 성능, 확장성 간의 유의미한 트레이드오프를 제공하며 EV 응용 분야에서 유망한 전망을 보이고 있다.