为快速生成高质量混淆网络,该文提出一种最大后验弧主导的快速生成算法。它只需遍历一遍Lattice,具有线性时间复杂度。采用K-L散度(Kullback-Leibler Divergence,KLD)来度量弧标号之间的发音相似性,改善了混淆网络生成中弧对齐的准确性。实验结果显示,所提算法在生成速度上和Xue的快速算法是可比的,而生成质量更好。通过采用KLD作为弧标号相似性测度,生成混淆网络的质量得到了进一步提高。

在车载网络(VANETs)中，联邦学习(FL)通过协同训练机器学习模型，实现了车辆间的数据隐私保护，并提高了整体模型的性能。然而，FL在VANETs中的应用仍面临诸多挑战，如模型泄露风险、训练结果验证困难以及高计算和通信成本等问题。针对这些问题，该文提出一种面向联邦学习的可验证隐私保护批量聚合方案。首先，该方案基于Boneh-Lynn-Shacham (BLS)动态短群聚合签名技术，保护了客户端与路边单元(RSU)交互过程中的数据完整性，确保全局梯度模型更新与共享过程的不可篡改性。当出现异常结果时，方案利用群签名的特性实现车辆的可追溯性。其次，结合改进的Cheon-Kim-Kim-Song (CKKS)线性同态哈希算法，对梯度聚合结果进行验证，确保在联邦学习的聚合过程中保持客户端梯度的机密性，并验证聚合结果的准确性，防止服务器篡改数据导致模型训练无效的问题。此外，该方案还支持车辆在部分掉线的情况下继续更新模型，保障系统的稳定性。实验结果表明，与现有方案相比，该方案在提升数据隐私安全性和结果的可验证性的同时，保证了较高效率。