王家瑞，谭国平*，周思源

（1.河海大学计算机与信息学院 南京 211100；2.江苏智能交通及智能驾驶研究院南京 210019）

（∗通信作者:gptan@hhu.edu.cn）

0 引言

随着5G 技术的发展，物联网逐渐成为5G 时代的研究热点。车联网作为物联网中一个有潜力的研究分支，有望成为智能交通系统中的重要的数据传输与控制平台。车联网是一种移动自组网络，可以有效地改善道路安全问题和驾驶者的驾乘环境。支撑这一功能的是用户及其车辆所带来的大量数据，但是车联网的规模巨大、所用无线信道较为开放缺乏保密性、车辆的运动轨迹容易被跟踪预测，这都使用户的安全隐私容易泄露。不法分子可能通过截取用户广播的信息、预测车辆轨迹等方式窃取同户的数据隐私，一旦车联网系统暴露了任何车辆或用户的隐私信息，将在很长一段时间内难以被公众广泛地接受。因此，用户的隐私安全问题逐渐成为限制车辆及用户参与数据提供程度的主要因素。为加强对用户隐私的保护，除差分隐私保护理论［1］、k匿名［2］等常用的隐私保护方法外，近几年，文献［3-7］中也提出了许多解决方案。与此同时，2016 年谷歌提出了一种基于用户隐私保护的学习框架——联邦学习［8-10］，其主要的特征是数据提供方的数据均保留在本地，没有进行数据传输，从源头上抑制了数据隐私的泄露。通过联邦学习，车联网系统可以在保护用户隐私不被泄露的条件下，使用大量用户数据进行模型训练。

现行的许多关于分布式联邦学习系统的研究［11-14］的用户拓扑通常为星型拓扑。……