面向车路协同推断的差分隐私保护研究

车路协同推断通过联合车载终端与路侧边缘服务器进行深度卷积网络推断运算,提高了网络架构推断效率,但是存在用户隐私泄露问题。攻击者在未知车载终端网络结构和参数的前提下,通过训练反卷积网络的方式,可复原车载终端上传的计算结果对应的图像数据,从而发起图像还原攻击。基于差分隐私理论,针对图像还原攻击设计模型扰动、输入扰动、输出扰动3种防御算法,分别在车载终端深度卷积网络的模型参数、输入原始图像、输出计算结果中加入随机拉普拉斯噪声,干扰攻击者的图像还原。通过理论分析得出3种算法均满足差分隐私保护,攻击者难以从计算结果中挖掘出原始数据的隐私信息。实验结果表明,3种算法在有效防御黑盒图像还原攻击的同时能保持推断精确度在90%以上,其中模型扰动算法在均衡隐私保护和推断精确度方面的性能表现优于输入扰动和输出扰动算法。

基于差分进化的推断任务卸载策略

卷积神经网络(Convolutional Neural Network,CNN)作为深度学习的重要技术,已被广泛应用在移动智能应用中。针对CNN推断任务高内存、高计算量的需求,现有解决方案多将任务卸载到云上执行,难以适应时延敏感的移动应用程序。为解决上述问题,提出了一种基于改进差分进化算法的CNN推断任务卸载策略,它采用端云协作模式将计算任务部署在云和边缘设备之间。该策略研究了成本约束下最小化时延的任务卸载方案,将CNN推断过程转化为任务图并将其构建为0-1整数规划问题,利用改进二进制差分进化算法高效求解最佳卸载决策。实验结果表明,在给定费用约束下,与移动端推断和云推断方案相比,所提策略将任务响应时间平均缩短了33.60%和6.06%。