面向VANETs身份持续认证的隐私保护联邦学习方案

来源：电讯技术杂志2025年第7期北京时间：

作者：夏元俊,黎利辉,任舒扬,余乐乐,刘忆宁

单位：(1.温州理工学院 数据科学与人工智能学院，浙江 温州 325027;2.桂林电子科技大学 计算机与信息安全学院，广西 桂林 541004)

摘要：针对车辆自组织网络（Vehicular Ad-hoc Networks,VANETs）中联邦学习（Federated Learning,FL）的隐私泄露与身份认证缺失问题，提出了一种面向VANETs身份持续认证的隐私保护联邦学习（Privacy-preserving Federated Learning for Continuous Authentication，PPFLCA）方案，通过车辆-路侧单元（Road Side Units，RSUs）-聚合中心三层结构来更新全局模型。具体地，PPFLCA首先进行车辆和RSUs的注册，并为车辆生成假名；其次，利用密钥协商协议生成共享密钥，结合伪随机生成器（Pseudorandom Generator，PRG）生成随机掩码，并采用16-bit定点数优化加密本地梯度；最后，每次迭代对车辆和RSUs身份和本地梯度进行持续认证。安全分析表明，PPFLCA可以满足隐私保护需求，同时可以抵抗基本攻击和重放攻击。实验分析表明，PPFLCA在MNIST和CIFAR-10数据集上分类准确率分别达94.8%和44.4%（与明文训练误差小于0.5%），在梯度参数为5×103时，车辆梯度加密耗时18 ms，车辆通信开销仅0.367 KB。

关键词：车辆自组织网络(VANETs)；联邦学习；隐私保护；身份认证；

基金资助：国家自然科学基金资助项目（62072133）；温州市重大科技创新攻关项目（ZG2023028）