摘要
新基建的整体布局加快了中国铁路向数字化、智能化的转型，5G、边缘计算、物联网等技术的发展使高铁网络所产生的数据呈指数级增长。人工智能的发展可以为数据的处理和分析提供先进的技术手段，以满足多样化智能高铁业务的需求。然而，对数据进行分析处理的同时，也面临着诸多新挑战。例如，集中式的体系架构带来较大的数据通信开销、传输时延和隐私安全风险。传统复杂的隐私保护机制只侧重隐私问题而大大弱化了数据可用性，且随着网络中的数据剧烈增长，这些复杂的隐私保护方法处理海量的加密数据会带来很大的延迟。其次，边缘场景下，由于车载终端计算和通信资源的有限性以及车辆的动态变化，难以在保护数据隐私的同时对数据进行有效处理，导致其可用性降低。因此，面向高铁场景提供全面高效的隐私保护机制尤为重要。本文的主要研究内容如下： (1)针对集中式计算模式带来的安全威胁与数据泄露风险，提出智能高铁分布式隐私保护架构。重点分析智能高铁隐私保护典型应用场景和安全需求，基于安全需求和“公专融合”部署理念提出层级隐私保护架构。进行了安全性分析和性能评估，仿真结果验证了所提架构的有效性和可扩展性。最后探讨了高铁场景中数据安全与隐私保护和数据可用性与资源限制的挑战，为之后的研究奠定基础。 (2)针对高铁数据安全与隐私保护问题，提出基于过时度的异步更新隐私保护机制。基于分布式架构，重点考虑列车的高速移动性导致的动态网络拓扑和接入信道的不确定性对性能带来的影响。为了实现数据隐私保护同时在动态时变网络下保证高可靠的通信计算，联合考虑车辆的异构性与移动性提出基于过时度的隐私保护机制。将原问题转为动态双重过时度校正问题，加入本地差分隐私实现数据安全与隐私的双重保护。理论分析与仿真结果表明，所提算法具备较好的隐私保护效果和较快的模型收敛速度，在非独立同分布数据下也取得了良好的性能。 (3)在基于联邦学习的智能高铁隐私保护场景下，针对列车的高速移动性引起的动态时变环境导致链路连接不可用和资源限制问题，提出基于移动感知的客户端选择和资源管理联合优化算法。首先量化时延、能耗、移动性及声誉模型；然后通过考虑移动性对误码率和数据集质量的影响构建车辆选择和资源管理联合优化问题；最后，将原NP-hard问题拆分，动态优化车辆选择数量最大化和总能耗最小化之间的权衡。仿真结果表明，所提算法较其他算法可有效的实现车辆选择和能耗的权衡，同时保证通信的高可靠性。
NETL