31、物联网隐私保护与时钟同步技术解析

物联网隐私保护与时钟同步技术解析

隐私保护机器学习方法测试结果

在自动手语识别（ASL）任务中，对推理网络（InfNet）和混淆网络（ObfNet）的组合进行了测试。训练后的推理组件（IC）测试准确率达到了 99.82%，这表明 InfNet 训练效果良好。
当 ObfNet 第一层隐藏层神经元数量变化时，不同的 ObfNet 与 InfNet 组合的测试准确率如下：
|组合方式|测试准确率下降范围|
| ---- | ---- |
|OM - IC|0.12% - 2.81%|
|OC - IC|1.52% - 2.35%|

当 ObfNet 第一层隐藏层神经元数量从 512 增加到 1024 时，OM - IC 的测试准确率下降，这可能是由于过拟合导致的，因为与 OM 的大量参数相比，训练样本数量并不多。不过，通过合理配置 ObfNet，测试准确率的最小下降幅度可达 0.12%，说明 ObfNet 对手语识别的测试准确率影响较小。

ObfNet 对手语样本的混淆效果可视化结果显示，混淆后的样本无法被解读为任何手势，且仍为 RGB 图像。特定 ObfNet 的混淆结果呈现出相似的模式，这是因为 ObfNet 参数众多（可达数千万），混淆结果的模式主要由 ObfNet 决定，而原始推理数据样本信息有限（仅 64 × 64 × 3 = 12288 个像素值），可视为扰动。

硬件平台实现与基准测试

为了评估 ObfNet 方法在实际中的可行性，将其在边缘/后端硬件平台上进行了实现，并进行了基准测试。这里仅展示了为 IC 训练的 OM 在三个案例研究中的结果。使用 Coral 开发板作为雾节点