[论文解读] Federated Learning in Intelligent Transportation Systems: Recent Applications and Open Problems

Shiying Zhang, Jun Li+6 more|arXiv (Cornell University)|Sep 20, 2023

Privacy-Preserving Technologies in Data被引用 4

一句话总结

本文提出联邦学习（FL）作为一种保护隐私且可扩展的智能交通系统（ITS）解决方案，解决了数据异构性、资源有限和通信延迟等挑战。综述了FL在目标检测、交通管理和服务提供中的应用，识别出非独立同分布（non-IID）数据和边缘信任等开放问题，并倡导通过优化架构和边缘验证机制，实现FL与ITS的深度集成。

ABSTRACT

Intelligent transportation systems (ITSs) have been fueled by the rapid development of communication technologies, sensor technologies, and the Internet of Things (IoT). Nonetheless, due to the dynamic characteristics of the vehicle networks, it is rather challenging to make timely and accurate decisions of vehicle behaviors. Moreover, in the presence of mobile wireless communications, the privacy and security of vehicle information are at constant risk. In this context, a new paradigm is urgently needed for various applications in dynamic vehicle environments. As a distributed machine learning technology, federated learning (FL) has received extensive attention due to its outstanding privacy protection properties and easy scalability. We conduct a comprehensive survey of the latest developments in FL for ITS. Specifically, we initially research the prevalent challenges in ITS and elucidate the motivations for applying FL from various perspectives. Subsequently, we review existing deployments of FL in ITS across various scenarios, and discuss specific potential issues in object recognition, traffic management, and service providing scenarios. Furthermore, we conduct a further analysis of the new challenges introduced by FL deployment and the inherent limitations that FL alone cannot fully address, including uneven data distribution, limited storage and computing power, and potential privacy and security concerns. We then examine the existing collaborative technologies that can help mitigate these challenges. Lastly, we discuss the open challenges that remain to be addressed in applying FL in ITS and propose several future research directions.

研究动机与目标

• 解决动态、数据密集型智能交通系统（ITS）中实时、保护隐私的决策制定的迫切需求。
• 识别ITS中的关键挑战，包括高延迟、数据异构性、车辆资源有限以及集中式AI模型带来的隐私风险。
• 综述FL在ITS各类场景中的近期部署，如目标识别、交通流预测和服务提供。
• 分析FL在ITS中固有的局限性，包括非独立同分布（non-IID）数据、边缘信任问题以及通信开销，并提出缓解策略。
• 概述FL与ITS深度集成的未来研究方向，包括定制化FL架构和安全的边缘计算。

提出的方法

• 对FL在ITS四个主要场景中的应用进行全面综述：目标识别、交通管理、服务提供和路径规划。
• 分析ITS中的系统级挑战，包括通信链路不稳定、传感器数据异构性以及资源受限的车辆。
• 评估FL通过保持数据本地化并支持去中心化模型训练，来缓解隐私和安全风险的能力。
• 提出结合区块链与无人机（UAV）辅助资源调度，以增强动态环境中FL的安全性和可靠性。
• 引入轻量级验证机制，用于边缘节点（如RSU）以确保卸载计算的可信性。
• 探索剪枝和量化等模型压缩技术，以减少传输开销并提升通信效率。

实验结果

研究问题

• RQ1 联邦学习如何有效应对数据密集型ITS应用中的隐私和安全问题？
• RQ2 在动态、高移动性的车载网络中部署FL时，面临哪些关键的系统级挑战？
• RQ3 数据异构性（非独立同分布分布）和有限的设备资源如何影响FL在ITS中的性能？
• RQ4 在基于FL的ITS架构中，如何保障RSU等边缘节点的安全性并使其可信？
• RQ5 为实现FL与ITS的实时、可扩展运行，需要哪些架构和协议层面的创新？

主要发现

• FL通过支持去中心化模型训练而无需共享原始车辆数据，显著提升了ITS中的数据隐私。
• 车辆间数据分布的非独立同分布（non-IID）仍是主要挑战，会降低FL的收敛速度和模型准确率。
• 车辆中有限的存储和计算能力要求采用模型压缩和边缘卸载策略。
• 车载网络中不稳定的通信链路和频繁的拓扑变化会增加延迟并破坏FL训练周期。
• RSU等边缘节点存在安全风险，可能因数据泄露和不可信的模型更新而受损，需引入轻量级认证机制。
• 未来FL与ITS的集成应聚焦于针对传感器模态和任务特定工作负载定制的架构，以最大化性能和效率。