# 基于联邦学习和区块链的智能驾驶隐私保护训练系统

**Repository Path**: joey2022/FedChainPPSys

## Basic Information

- **Project Name**: 基于联邦学习和区块链的智能驾驶隐私保护训练系统
- **Description**: 基于联邦学习和区块链的智能驾驶隐私保护训练系统
- **Primary Language**: Java
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 2
- **Created**: 2025-08-20
- **Last Updated**: 2025-08-20

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 基于联邦学习和区块链的智能驾驶隐私保护训练系统

## 介绍

在传统智能驾驶系统中，用户信息通常会被上传到一个中央服务器进行处理和存储。这种方法是因为智能驾驶系统需要收集大量的传感器数据和驾驶行为数据，以进行复杂的计算和分析，这些任务通常需要强大的计算能力和存储资源，传统上这些都集中在中央服务器上。此外，为了改进和优化智能驾驶算法，需要大规模的数据集进行训练，集中数据处理便于模型的统一训练和更新。中央服务器还能够迅速汇总和处理来自不同车辆的数据，以提供及时的反馈和决策支持。  

然而这种方法存在多方面的风险，包括：

1. 容易被攻击：中央服务器是单一故障点，容易成为攻击目标，导致系统瘫痪。
2. 造成故障：中央服务器一旦出现故障，整个系统就会停止运作，影响智能驾驶服务的可靠性。
3. 负担大：所有数据都集中在一个服务器，负载过大，处理速度和效率都会受到影响。
4. 隐私泄露：用户数据集中存储在中央服务器，增加了隐私泄露的风险。  

为了应对这些挑战，我们开发了一个基于区块链和联邦学习的智能驾驶隐私保护训练系统应用。该应用通过去中心化的方法来解决传统系统中的弊端，重点关注智能汽车用户的隐私保护。 

(**联邦学习保护了用户的隐私信息安全，区块链再次基础上保障了联邦学习系统的安全和可信。** 具体请看下面介绍。)

### 联邦学习简介
联邦学习是一种分布式机器学习技术，它允许多个参与方在不共享原始数据的前提下，共同训练一个机器学习模型。各参与方在本地进行模型训练，并只上传模型更新，而不是原始数据（因此不需要上传用户的信息到中央服务器，减少了泄露风险。当然，我们的系统用户的信息还是得上传到边缘节点上，但至少风险还是降低了）。中央服务器在接收到各参与方的模型更新后，进行聚合，形成全局模型。

传统中心化联邦学习虽然在一定程度上解决了数据隐私问题，但仍然依赖于中央服务器进行模型聚合和协调。这带来了单点故障风险，服务器成为潜在的攻击目标，以及集中化管理带来的隐私和安全问题。

### 区块链简介
区块链是一种去中心化的分布式账本技术，能够以安全、透明和防篡改的方式记录交易数据。通过共识机制，区块链可以在没有中央权威的情况下，确保所有参与节点对账本数据的一致性。

### 应用的大致流程

1. 数据收集与预处理
   1. 数据收集：
   2. 在车载系统中部署客户端应用程序，实时收集车辆传感器数据、驾驶行为数据等。
   3. 数据预处理：在本地设备上进行初步的数据清洗和过滤，确保数据的基本质量。
2. 数据上传至边缘节点
    1. 数据加密：
    2. 对预处理后的数据进行加密，确保传输过程中的数据安全。
    3. 上传至边缘节点：将加密后的数据上传至附近的边缘服务器。边缘服务器分布广泛，能够分担数据处理和存储的负担。
3. 边缘节点本地模型训练
    1. 模型初始化：在边缘节点上初始化联邦学习模型。
    2. 本地训练：使用上传到边缘节点的数据进行模型训练，生成模型更新参数。确保数据不离开边缘节点，保护用户隐私。
4. 模型更新上传
    1. 参数加密：对边缘节点训练生成的模型更新参数进行加密，确保数据在传输过程中的安全性。
    2. 上传至区块链网络：将加密后的模型更新参数上传到区块链网络进行记录，确保数据的不可篡改和可追溯性。
5. 区块链网络模型聚合
   1. 共识机制：区块链网络通过共识机制，验证并接收各边缘节点上传的模型更新参数。
   2. 模型聚合：区块链网络将多个边缘节点上传的模型更新参数进行聚合，生成全局模型更新。聚合过程在区块链上进行记录，确保透明和安全。
6. 全局模型更新分发
    1. 分发全局模型：区块链网络将聚合后的全局模型更新参数加密并分发给所有边缘节点。
    2. 边缘节点模型更新：各边缘节点接收到全局模型更新参数后，进行解密并更新本地模型。
7. 模型验证与迭代
    1. 模型验证：在边缘节点上验证更新后的全局模型的性能和准确性。收集新一轮的数据，继续进行下一轮的模型训练和更新。
    2. 持续迭代：系统持续进行数据收集、模型训练、模型更新上传、模型聚合和全局模型分发等过程，形成一个循环，不断优化智能驾驶模型。
8. 区块链记录与管理
    1. 数据记录：所有模型更新和聚合过程都通过区块链记录，确保透明性和可追溯性。
    2. 安全管理：利用区块链的加密和共识机制，确保整个系统的安全性和数据的完整性。


### 应用功能及优势
我们的智能驾驶隐私保护训练系统应用将区块链技术与联邦学习相结合，通过在车载系统中搜集信息，并将信息上传到边缘节点来进行去中心化的模型训练。具体优势如下：

1. 去中心化架构：通过区块链技术实现去中心化的数据存储和管理，消除了单点故障风险，增强了系统的稳定性和安全性（**即用区块链代替中央服务器的职能**）。

2. 隐私保护：用户数据仅在边缘节点上进行处理，避免了数据的集中存储，极大地减少了隐私泄露的风险。联邦学习确保了模型的有效性和协作训练，同时保障了用户数据不被共享。

3. 安全透明：区块链的共识机制和加密技术，确保了数据传输和存储的安全性和透明度。所有模型更新和训练过程都在区块链上进行记录，防篡改且可追溯。

4. 高效可靠：边缘节点分布在各地，分担了计算和存储的负担，提升了系统的效率和可靠性。边缘计算结合区块链的特性，提供了高效的联邦学习环境。

## 软件架构
本项目分为客户端和服务端。客户端用于获取数据，服务端则对数据进行处理和模型训练。
客户端基于安卓，服务端基于Ubuntu18.04开发。

软件架构说明
![输入图片说明](d33a43c050ff990d91ad1086d87b295e.png)


## 安装教程
教程分为客户端和服务端
具体教程详见对应的模块根目录(`Automotive`、`FedChain`).