27、物联网轻量级隐私保护学习方案

物联网轻量级隐私保护学习方案

1. 引言

随着传感和通信技术的进步，物联网（IoT）将成为未来主要的数据生成基础设施。物联网产生的数据量急剧增加，将为机器学习（ML）驱动的各种新应用创造前所未有的机会。然而，要实现设想中的智能物联网，需要解决各种系统挑战。

物联网本质上是一个分布式系统，由具有不同传感、计算和通信能力的异构节点组成。具体来说，它包括深度嵌入物理世界的大量微传感器、随人移动的个人设备、广泛分布的网络雾节点（如无线接入点）以及云后端。实现物联网和机器学习的融合面临以下两个关键挑战：
- 数据源与机器学习计算能力分离 ：大多数物联网数据将由计算资源有限的终端设备生成，而机器学习模型训练和执行所需的计算能力将位于雾节点和云端。此外，终端设备与边缘/云端之间的通信通道通常受到限制，带宽有限、连接不稳定且延迟长。
- 隐私保护 ：由于终端设备可能深入嵌入人们的私人空间和时间，它们生成的数据将包含隐私敏感信息。为了获得广泛接受，物联网 - 机器学习架构必须尊重人类用户的隐私。缺乏隐私保护甚至可能违反近期的立法，如欧盟的《通用数据保护条例》。然而，隐私保护往往给系统设计带来巨大挑战。

隐私保护机器学习在云计算领域已得到广泛研究。因此，研究现有的解决方案是否可以应用于物联网环境具有重要意义。现有的隐私保护机器学习方法分为两类：隐私保护训练和隐私保护推理。在隐私保护机器学习系统中，节点通常有两个角色：参与者和协调者。参与者通常是数据生成者（如智能手机），而协调者（如云服务器）负责协调机器学习过程。

隐私保护训练方案旨在从不相交的本地数据集学习全局机器学习模型或多个本地机