一种基于分层联邦学习的隐私保护室内定位系统-计算机科学-联邦学习-物联网-室内定位.pdf

一种基于分层联邦学习的隐私保护室内定位

系统

MasoodJan,WafaNjima,XunZhang

ISEP,InstitutSupérieurd’ElectroniquedeParis,75006Paris,France

Emails:{masood.jan,wafa.njima,xun.zhang}@isep.fr

摘要—位置信息是众多物联网(IoT)应用的基本元素。传底层机制，这些可以被视为人类经验的个体抽象。这种

统的室内定位技术由于集中式数据收集，通常会产生显著的误差模型偏差可以通过从大量历史数据中学习来缓解，并提

并引发隐私问题。为此，机器学习(ML)技术通过捕捉室内环境高位置精度[6]。为此，集成机器学习（ML）技术被认

的变化提供了有前景的解决方案。然而，它们通常需要中心化的

本为是推进室内定位模型的关键[7]。一旦训练完成，机

数据聚合，从而导致隐私、带宽和服务器可靠性问题。为了解决

译这些问题，在本文中，我们提出了一种基于联邦学习(FL)的方器学习模型能够进行准确的预测或决策。在传统的机器

中法，用于动态室内定位，并采用深度神经网络(DNN)模型。实学习框架中，模型在一个集中式学习网络（CLN）内进

1验结果表明，联邦学习在保持数据隐私、带宽效率和服务器可靠行训练，在这个网络中，服务器收集并保留所有训练数

v性的前提下，其性能接近于集中式模型(CL)。这项研究证明了据集中的中心化数据[8]。然而，随着通信技术的迅速

1

8我们提出的联邦学习方法为增强隐私的室内定位提供了一个可发展以及数字服务和行业的融合，室内环境中生成的数

5行的解决方案，为安全高效的室内定位系统的发展铺平了道路。

1据量呈指数级增长。将如此大量的数据发送到中央服务

0.IndexTerms—联邦学习（FL）、室内定位、物联网（IoT）、器会带来许多挑战和问题。

7深度神经网络（DNN）、集中式学习（CL）。

0事实上，集中式方法会带来数据安全和隐私风险，

5I.介绍因为敏感信息在传输和存储过程中可能会受到泄露或

2

:未经授权的访问。例如，在COVID-19大流行期间，为

v大多数物联网(IoT)应用，如紧急服务、电子营销

i了监测感染传播并识别高风险区域而需要共享位置数

x和社会网络，关键地利用了位置信息以正常运行[1]。传

r

a统的全球定位系统(GPS)革新了户外导航[2]，然而，据变得至关重要。然而，这也凸显了显著的隐私问题，

因为在向中央服务器传输位置数据时增加了对个人行

由于信号强度弱、穿透力差和覆盖率不足，在室内环境

动和个人信息进行未经授权访问的风险，强调了亟需解

中往往表现不佳。因此，我们需要一个高效且可靠的先

进室内定位系统，以确保在具有挑战性的室内环境中保决移动用户位置隐私[9]的问题。此外，网络上传输的

数据量巨大会给可用带宽带来重大压力，可能导致网络

持一致的性能。事实上，由室内环境高动态特性引起的

拥塞和性能下降。

多路径效应可能会影响传统定位方法的准确性，导致显

著的定位误差[3]。为了解决这些问题