A Federated Bidirectional Connection Broad Learning Scheme for Secure Data Sharing in Internet of Vehicles
由于IoV是一个多用户移动场景，数据共享的可靠性和效率需要进一步提高。联邦学习允许服务器在不从客户端获取私人数据的情况下交换参数，从而保护隐私。宽度学习系统是一种新型的人工智能技术，可以提高数据集的训练效率。因此，我们提出了一种联邦双向连接宽度学习方案（FeBBLS）来解决数据共享问题。
首先，我们采用双向连接宽度学习系统（BiBLS）模型来训练车辆节点中的数据集。服务器通过联邦宽度学习系统（FedBLS）算法从车辆节点收集BiBLS的参数。此外，我们提出了一种聚类FedBLS算法来将数据共享卸载到集群中，以提高模型的聚合能力。仿真结果表明，该方案可以提高数据共享的效率和预测精度，保护数据共享的隐私。
然而，IoV环境是一个完整的动态系统。车辆的机动性和不可靠的车车间通信。首先，应该考虑联邦学习环境中模型的效率。目前，数据共享是基于联邦学习中的深度学习模型，等待本地车辆客户端上传参数很耗时。第二，我们应该保证共享数据的可靠性。当提供者共享不合格的数据，如少槽数据和冗余数据时，有必要尽可能提高这些数据的利用率。最后，BLS是一种有效的技术，但在IoV中使用BLS进行数据共享的工作还不多。
工作如下：
- 首先，我们提出了联邦双向连接宽度学习方案（FeBBLS）来解决IoV中的数据共享问题。在本地车辆节点中，我们采用BiBLS来训练数据集，以提高服务器的通信效率。
- 其次，所提出的FedBLS算法使服务器能够实时聚合IoV环境中从车辆节点上传的参数。服务器下载参数，并根据车辆中数据集的大小使用加权平均法进行参数聚合。
- 第三，当车辆节点存在数据不平衡现象时，我们采用迁移学习来优化FedBLS算法，即TF-FedBLS算法。我们在BiBLS之后添加了致密层，并采用梯度下降法对参数进行微调。
- 最后，我们使用了一种无监督的聚类方法来增强FedBLS的能力。我们根据车辆与路侧单元（RSU）之间的距离进行无监督聚类，然后使用TF-FedBLS算法处理车对车（V2V）的数据共享，最后使用FedBLS算法进行车对路单元（V2R）的数据分享。
图2显示了我们提出的方案。车辆和RSU使用长期演进（LTE）技术进行通信。RSU对接收到的数据进行预处理并将其发送到服务器。服务器将根据定义的BiBLS模型结构初始化参数，然后通过RSU将其发送到本地车辆节点。一些节点没有与服务器断开连接，使用无监督聚类方法将数据共享卸载到簇头和簇内的节点进行数据共享。在每个集群中，这些车辆节点可以基于迁移学习对BiBLS获得的参数进行微调，以解决不平衡的数据现象，提高局部模型的性能。集群可以基于FedBLS算法与RSU共享参数。
为了捕捉两个方向上的层次特征?，我们提出了BiBLS
每组前向映射的特征节点按以下公式分层：
每组后向映射的特征节点按以下公式分层：
增强节点表示为：
我们的模型可以概括为 Y = [ Z n ∣ H m ] W m , Z n , H m Y=[Z^n|H^m]W^m,Z^n,H^m Y=[Zn∣Hm]Wm,Zn,Hm通过以下方式获得：
传统的BLS模型可以进行增量学习。因此，BiBLS使用一些有效的方法来增加增强节点、映射的特征节点和训练数据，而无需重新训练所有参数。
本地参与节点依赖于大量的计算资源来更新模型。传统的FedAVG算法是IoV中移动节点聚合本地参数的瓶颈，网络资源有限。为了减少IoV中数据共享的延迟，我们使用BiBLS和联邦学习来实现准确及时的数据共享，而不会泄露隐私。
FedBLS的算法步骤如下：
- 模型初始化。车辆和RSU使用LTE技术进行通信。RSU充当服务器，用于与充当客户端的车辆节点进行数据交换。它初始化BiBLS的参数，并将模型 Ω Ω Ω发送到移动节点。节点的局部BiBLS定义为 Ω i Ω^i Ωi。
- 参与节点选择。在每次通信中，RSU与满足特定条件的移动节点交换数据。然后，它从总客户端K的某个比例C中随机选择m个客户。这些车辆节点并行参与通信。
- 更新参数。车辆节点根据本地数据集计算W，并将其发送到服务器。在没有BiBLS增量学习的情况下，他们只是将训练好的参数上传到服务器。
- 模型聚合。在训练模型时，不需要对数据集进行批量大小的分割。因此，服务器获得每一轮通信的全局参数 W g W_g Wg，以在第t轮中通过公式 W g = ∑ V s ∈ S S ( n s ) / n （ W s ） Wg=∑^S_{V_s∈S} (n_s)/n（W_s） Wg=∑Vs∈SS(ns)/n（Ws）来聚合本地车辆节点的参数。
FedBLS没有使用梯度下降方法来更新模型。如果在数据共享中不存在局部模型的增量学习，则节点和RSU可以仅用一轮通信来更新全局模型。如果局部训练不令人满意，或者向局部节点添加了新的数据集，则需要增量学习。
用于V2V的带迁移学习的FedBLS
IoV具有车辆间通信功能。因此，车辆节点可以与其他节点共享数据。在车车间通信中，每个节点之间的数据存在差异。例如，当车辆节点的样本很少时，或者当客户端只包含某个标签的样本时，训练的模型参数没有泛化能力。为了解决这些问题，我们使用迁移学习 技术来提高模型的泛化能力。从图5中，我们使用迁移学习组合的FedBLS，称为（TF-FedBLS）算法应用于IoV，以增强聚合能力。在车车间通信中，节点使用加权平均聚合方法来聚合来自其他节点的参数。
首先，我们初始化神经网络来微调模型参数。全连接(FC)层在TF-FedBLS中定义。FC的权重和偏差分别设置为W和零。这样做的目的是能够使用梯度下降法更新模型参数。更新过程描述为算法6。
