面向交通流量预测隐私保护的联邦学习方法

作     者：傅思敏 王健 鹿全礼 赵阳阳 Fu Simin;Wang Jian;Lu Quanli;Zhao Yangyang

作者机构：北京交通大学计算机与信息技术学院北京100044 山东正中信息技术股份有限公司济南250014 山东省数字化应用科学研究院有限公司济南250102 

出 版 物：《信息安全研究》 (Journal of Information Security Research)

年 卷 期：2022年第8卷第10期

页      面：1035-1042页

学科分类：0839[工学-网络空间安全] 08[工学] 081201[工学-计算机系统结构] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家重点研发计划项目(2020YFB2103800) 山东省重大科技创新工程项目(2019JZZY020128) 

主　　题：联邦学习 差分隐私 交通流量预测 GRU 隐私保护 数据安全 

摘      要：城市交通流量预测在交通管理中变得越来越重要.然而,这些数据往往属于不同机构,无法互联互通,且数据涉及出行大众隐私,集中存储也存在风险.已有研究者用联邦学习模式进行流量预测,但联邦学习本身也存在隐私隐患.提出一种面向交通流量预测隐私保护的联邦学习方法,采用具有隐私保护能力的基于流量预测算法GRU的联邦学习算法进行交通流量预测.具体做法是将差分隐私引入本地GRU算法中,通过在梯度中添加高斯噪声,使得客户端的DP-GRU算法满足(ε,δ)-差分隐私,且使得模型参数具有随机性.对客户端的DP-GRU算法进行了隐私性分析,并在实际交通流量数据集上进行了对比实验.实验表明,在保证隐私的前提下,方法得到了较优的预测结果.