[论文解读] 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 8

一句话总结

本综述对用于电动汽车（EV）的隐私保护机器学习（PPML）技术进行了全面分析，重点聚焦于联邦学习、差分隐私以及区块链集成方法，以保障车联网（V2X）通信中的数据安全。该研究识别了EV数据采集与训练中的关键隐私风险，评估了现有的PPML解决方案，并概述了在构建智能、互联的EV生态系统中，保障安全所面临的挑战与未来研究方向。

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.

研究动机与目标

• 解决由于车联网（V2X）通信中大规模数据采集导致的电动汽车（EV）隐私泄露日益增长的担忧。
• 调查并分析适用于EV网络的现有隐私保护机器学习（PPML）技术，及其与车载通信范式集成的情况。
• 识别在EV中部署PPML的关键挑战，包括数据敏感性、去中心化训练以及在分布式系统中的信任问题。
• 提供当前关于EV中PPML研究的结构化概述，突出展示交通管理、能源需求学习和入侵检测等应用场景。
• 概述开放的研究问题与未来研究方向，以推动下一代EV系统中安全、抗隐私泄露的机器学习发展。

提出的方法

• 对应用于EV的PPML技术进行系统性文献综述，重点关注差分隐私、联邦学习（FL）以及基于区块链的数据完整性。
• 根据其在V2X通信模型（包括V2V、V2I、V2G和V2P交互）中的应用，对现有PPML方法进行分类与分析。
• 评估PPML与认知无线电网络的集成，以实现动态频谱接入，特别关注频谱感知和信道分配过程中的隐私保护。
• 调查在区块链上使用联邦学习，以在EV网络中实现去中心化、隐私保护的模型训练，同时保持数据机密性。
• 评估PPML框架在EV中模型性能、通信开销与隐私保障之间的权衡。
• 将PPML技术映射到特定的EV应用场景，如碰撞预警、交通优化以及能源需求学习（EDL）。

实验结果

研究问题

• RQ1 隐私保护机器学习技术如何减轻数据密集型EV应用中的数据泄露风险？
• RQ2 在V2X通信网络中，哪些PPML技术——如联邦学习和差分隐私——最有效地保护EV数据安全？
• RQ3 如何将区块链技术与PPML集成，以确保去中心化EV网络中的数据完整性和机密性？
• RQ4 在基于认知无线电的EV通信系统中，应用PPML面临哪些关键挑战，特别是在频谱感知和信道分配期间？
• RQ5 为加强机器学习驱动的EV生态系统中的隐私性、可扩展性与信任，未来需要哪些研究方向？

主要发现

• 现代EV每天产生约30太字节（TB）的数据，因此需要先进的机器学习技术以实现高效的数据利用与决策制定。
• 联邦学习使EV之间能够在不共享原始数据的情况下协同训练模型，显著降低了在去中心化V2X网络中的隐私风险。
• 差分隐私通过向模型更新中添加校准噪声，提供正式的隐私保障，从而保护驾驶模式或位置等敏感信息。
• 由于公共账本的透明性，基于区块链的EV网络系统存在固有的隐私风险，因此需要与PPML协议集成以保护个人身份信息（PII）。
• 基于认知无线电的EV通信得益于机器学习在频谱预测方面的应用，但感知和信道选择过程中可能发生隐私泄露，因此需要PPML防护措施。
• 当前研究表明，混合方法（如结合差分隐私的区块链联邦学习）在EV应用中，能够在隐私性、性能与可扩展性之间实现有前景的权衡。