邊緣算法的隱私保護應用研究

馮幸 鐘其鏗

【摘要】? ? 近年來，信息的隱私保護應用隨著創新、知識型和智力資源交互業務的展開越發重要，不僅是互聯網平臺隱私保護需求，智慧城市、智慧家居、智慧交通等涉及到海量用戶隱私數據的領域也面臨著受到攻擊和滲透的風險，數據精準推薦和其他營銷活動給各大商業活動帶去數字革命的巨大利潤，但社會仍然離不開網絡知識產權保護和數據隱私保護的話題。本文在邊緣計算算法的技術和應用上，探索出一條未來打開知識和隱私數據信息保護的研究方向，并給出相應的建議。

【關鍵詞】? ? 邊緣計算? ? 隱私保護? ? 算法

一、關于邊緣計算的核心技術

1.1 邊緣計算模型

從邊緣計算從2016年給出定義以來，就已經被應用到了社會諸多領域，例如云卸載、視頻解析、智慧城市、智慧交通等，在編碼可行性、服務管理、隱私保護和優化領在未來仍大有可為之處。特別是在工業界，邊緣計算也隨著大數據和人工智能技術的發展逐漸興起。

聯合式網絡結構共分為三層，分別包括云計算層、邊緣計算層和終端層。各個層級之間可以實現跨層進行通信。不同的組成方式也決定了不同的層級之間的儲存能力與計算能力。也決定了各個層級擁有的不同的功能。

1.終端層。終端層的功能是對原始數據進行收集并進行上報。它由RFID標簽、攝像頭、傳感器、智能手機等物聯網設備組成，終端層的計算不需要考慮他們的計算能力，只需要考慮各種不同的物聯網設備，如智能手機等的感知能力。

2.邊緣計算層。網絡邊緣節點是邊緣計算層的主要組成部分。主要分布于計算中心與終端設備之間。邊緣計算層可以部署在網絡連接處，如路由器網關等設備當中，它也可以是智能手環或者智能攝像頭等一系列智能設備。通常邊緣計算層的節點資源是不斷變化的。人們在使用智能手環智能設備等終端的過程中，隨著使用時間的增加，可利用資源也存在動態變化的情況。所以在邊緣計算層儲存資源和邊緣節點的計算之間存在很大的差別，所以。在不斷變化的網絡拓樸中進行資源的調度和分配是非常重要的，而邊緣計算層則是通過合理的調配與部署來實現對動態網絡拓樸的優化。

3.云計算層。云計算有個強大的服務功能即數據處理，圍繞聯合式的計算服務已經構建起功能較完備的數據處理中心。通過邊緣計算技術的數據能在云計算中心得到永久存儲，額外的數據處理則可以在云計算中心得到全局綜合分析或處理。云計算中心也不是靜態的工作姿態，而是在根據網絡資源分布情況實時調整計算策略的。

1.2安全模型

安全模型由三個部分組成，第一是存儲和計算功能都有限制的本地設備用戶，上傳他們的私密數據到邊緣節點，第二個是邊緣節點之間做函數計算和數據分析并處理，第三是讓用戶參與到解密的協議中來，主動獲取計算結果。

1.輸入輸出。隱私數據的輸入和輸出是在基于邊緣計算的角度下進行的，交由邊緣節點和原用戶設備進行。該類數據輸出的結果也僅僅是由被授權過的用戶才可以訪問。

2.處理隱私數據。該保護機制能夠保護邊緣計算下的系統和原用戶設備組成的攻擊體系。原本的邊緣計算公式能夠對輸入的隱私數據在基于用戶工作性質的基礎上進行分析和處理、預測，當中涉及到關鍵的知識產權保護的需要問題。

3.驗證結果。為了增大該模型預測和處理的準確性，在聯邦學習模型的過程中，有兩個步驟需要通過驗證方才可以進入下一步解密階段，是為數據輸入過程中要檢驗本地用戶數據集的合法性，二是要邊緣計算節點在返回密文計算結果的的同時提交一份結果正確性檢驗報告。

4.平衡隱私保護和高校計算需求。在其他密碼計算方法的基礎上，邊緣計算方可才能在密文域上處理相關數據。通過上述密碼算法可以構建輕量化的邊緣計算隱私保護技術，能夠最大程度上滿足用戶的設備計算、存儲、通信的客觀需求公開問題，小心翼翼地平衡用戶在隱私保護和數據分析處理開銷之間的平衡。

1.3實時深度學習和數據處理

作為人工智能領域的主流技術之一，深度學習近年來得到了學術界與產業界的大力追捧。由于深度學習模型需要進行大量的計算，因此基于深度學習的智能算法通常存在于具有強大計算能力的云計算數據中心。隨著移動終端和物聯網設備的高速發展與普及，如何突破終端設備資源限制，從而將深度學習模型高效地運行在資源受限的終端設備這一問題已經引發了大量關注。為解決這一難題，可考慮邊緣計算賦能人工智能的思路，利用邊緣計算就近實時計算的特性，降低深度學習模型推理的時延與能耗。

1.4聯邦學習算法

需要平衡隱私保護和算法準確度之間的關系，聯邦學習算法可以應運而生。影響聯邦學習算法的有三個關鍵因素，分別是參與者選擇、全局聚合、本地更新。邊緣計算的關鍵應用;參與者選擇可以選擇某個終端來參與聯邦學習;本地更新則能改變在該終端進行的運算方式，可以很大程度上改善數據處理和任務分析的精度;全局聚合則根據網絡資源分布和計算情況決定下一次參與終端的學習方式。

1.參與者選擇算法。

Dm數據集中任意的第j （I≤j≤Sm） 個樣本，均由兩部分組成： Xmj和Ymj其中xj描述了樣本的特征，其作為模型的輸入： Ymj ，E{+1，-1 }表示樣本的標簽，是期望的模型輸出。認為樣本是線性可分的，采用支持向量機模型（ Support Vector Machine， SVM）來解決這個典型的二二分類問題。因此，每次Dm本地更新的目標為：

邊緣服務器通過對終端的目標精度和分析精度進行分析和對比，從而進行進一步的選擇，在選擇之前通過計算結果選擇沒有達到精度要求的終端。相反，當終端分析精度達到了目標精度時。邊緣服務器本次不會選擇，并且在以后全局更新當中都不會被選擇。這一種算法降低了他對其他終端的干擾性。并且使每一個終端的精度都盡可能的變大。

其中，VJm（Wm，n）表示參數為Wm，n時，損失函數的下降梯度。Nm表示該次學習中Dm的學習率.

2.全局聚合算法

FedAvg聚合算法對所有參與者的權值求平均值。第n+1輪模型參數W，+1 計算表達式如下：

如公示3所示的參與者權值計算方式可能使兩輪的精度對比時上一輪的精度高于下一輪的精度。這是由于服務器在進行全局聚合算法時，對所有的參與者采用平均考慮的方式。而忽略了各個參與者之間的相互影響的結果。在本次研究當中，采用了q-FedSGD算法，如公式四：

其中，q和L均為常數。這種方式使得參數聚合更加有效。

二、針對應用的隱私保護邊緣計算

如今邊緣外包計算都運用于基本函數、密文搜索等應用場景，對涉及知識產權保護的新興產業意義重大。

2.1聯邦計算的應用

聯邦歸納學習是一種新興的人工智能技術，不僅能保證個人數據和終端數據的安全，也可以保證多參與者和節點計算的高效率。該機制由一個參數服務器和數個邊緣節點，參數服務器在優化算法的條件下更換全局參數，而各個節點則對敏感數據集進行學習，然后將梯度數據上傳到參數服務器。節點從參數服務器上接受更新過的參數，然后覆蓋本地參數。

2.2 密文搜索

在日常生活中，加密數據庫是當前最為廣泛的的應用之一，它既可以保護用戶的搜索隱私痕跡又能返回包含搜索結果的數據和相關文件。密文搜索協議包含以下步驟，一是同意和支持數據擁有對象將數據文件通過加密之后上傳到邊緣節點或是云服務器;二是查詢用戶搜索相關詞語的制定搜索令牌;三是在密文領域上，根據搜索令牌對相關文件進行查詢;最后在驗證搜索結果的正確性同時解密相應文件。

2.3邊緣計算中的區塊鏈改進應用

針對邊緣計算的區塊鏈改進方案應有多個改進方向。

1. 中心式的分布式信任。在設備與設備之間的信息交互中，存在兩者的信任關系和需求，要改進信任框架，有兩種方式，一是設立中心管理機構以分布式的方式驗證身份，在驗證身份的方法上，利用區塊鏈使得記錄數據不可篡改的真實性，和共識機制下可溯源性和可靠性，可以有效的在開放網絡中建立信任機制。具體改進則是以模擬實驗來驗證方案的可行性，設立信任量化的標準。

2.群智計算和信息隱私權衡。在進行系統設計的過程中，我們通常重點考慮的是安全與隱私的問題。實踐證明，區塊鏈具有安全性、分散性等關鍵特點。因此。它被應用于解決計算的隱私問題和安全問題。在考慮安全性和隱私性的同時。也與密碼學算法的設計和使用息息相關，在進行算法設計與研究時，研究者們通常采用零知識證明（zero knowledge suceinct non-interactive argument of knowledge， zk- SNARK），的方式來保護隱私。這也是一種密碼學手段。而在交互式的通信協議的使用過程當中。由于其相對復雜。所以在使用過程當中容易受到惡意軟件的攻擊。

三、結束語

本文介紹了邊緣計算、安全模型、聯邦算法和深度學習，并對聯邦學習、深度學習在邊緣計算的環境下做了綜合分析，簡述和總結當前邊緣環境下隱私保護能力和數據處理效率的問題和解決方案。并探討了未來的挑戰和研究方向。

參? 考? 文? 獻

[1]寧振宇，張鋒巍，施巍松，基于邊緣計算的可信執行環境研究[J]， 計算機研究與發展，2019，56（07）：1441-1453

[2]周知，于帥，陳旭，邊緣智能：邊緣計算與人工智能融合的新范式[J]，大數據，2019，5（02）：53-63

[3]周俊沈，華杰，林中允，曹珍富，董曉蕾，邊緣計算隱私保護研究進展[J]，計算機研究與發展，2020，57（10）：2027-2051

[4]方俊杰，雷凱，面向邊緣人工智能計算的區塊鏈技術綜述[J]，應用科學學報，2020，38（01）：1-21