基于同态加密和群签名的可验证联邦学习方案

来源：电子与信息学报杂志2025年第3期北京时间：

作者：李亚红, 李一婧, 杨小东, 张源, 牛淑芬

单位：1.兰州交通大学电子与信息工程学院 兰州 7300002.电子科技大学计算机与工程学院 成都 6100543.西北师范大学计算机工程学院 兰州 730000

摘要：在车载网络(VANETs)中，联邦学习(FL)通过协同训练机器学习模型，实现了车辆间的数据隐私保护，并提高了整体模型的性能。然而，FL在VANETs中的应用仍面临诸多挑战，如模型泄露风险、训练结果验证困难以及高计算和通信成本等问题。针对这些问题，该文提出一种面向联邦学习的可验证隐私保护批量聚合方案。首先，该方案基于Boneh-Lynn-Shacham (BLS)动态短群聚合签名技术，保护了客户端与路边单元(RSU)交互过程中的数据完整性，确保全局梯度模型更新与共享过程的不可篡改性。当出现异常结果时，方案利用群签名的特性实现车辆的可追溯性。其次，结合改进的Cheon-Kim-Kim-Song (CKKS)线性同态哈希算法，对梯度聚合结果进行验证，确保在联邦学习的聚合过程中保持客户端梯度的机密性，并验证聚合结果的准确性，防止服务器篡改数据导致模型训练无效的问题。此外，该方案还支持车辆在部分掉线的情况下继续更新模型，保障系统的稳定性。实验结果表明，与现有方案相比，该方案在提升数据隐私安全性和结果的可验证性的同时，保证了较高效率。

关键词：隐私保护, 联邦学习, 车载自组网, 可验证聚合, 群签名

基金资助：国家自然科学基金(62461032)，甘肃省科技计划(22JR5RA158, 22JR5RA350)，甘肃省高校教师创新基金(2023A-041, 2023-ZD-234)，兰州交通大学-天津大学联合创新基金(LH2024003)