基于区块链的车联网联邦学习研究：现状、设计与挑战

摘要

联邦学习（Federated learning,FL）通过分布式协同训练实现多车辆联合建模，在保护数据隐私的同时，有效支持车联网（Internet of vehicles,IoV）中的交通优化、拥堵治理等应用。然而，传统FL在动态异构的IoV环境中面临中心化架构脆弱和网络不稳定等挑战。区块链技术的去中心化共识和不可篡改特性为IoV-FL提供了理想的解决方案。围绕区块链赋能下的IoV-FL展开综述，介绍IoV、区块链与IoV-FL的基础概念，分析IoV-FL的系统架构与关键应用场景，并梳理传统方法在隐私安全、系统鲁棒性与可扩展性等方面的局限；从模型更新验证、系统可扩展性、激励机制和知识共享4个维度，系统整理已有研究工作中区块链赋能IoV-FL的关键技术方案，探讨IoV-FL在隐私与安全、存储开销、网络吞吐率、设备与数据异构等方面仍面临的关键挑战；最后，从隐私保护增强、资源利用优化以及系统协同等方面展望未来研究方向。

关键词

车联网 / 区块链 / 联邦学习