در سالهای اخیر با افزایش روزافزون ارتباطات مبتنی بر اینترنت در حوزه اشیا و هوشمندسازی دستگاهها مواجه هستیم. این مهم به لطف پیشرفت شگرف در مخابرات بی سیم و سلولی در حوزه های افزایش کیفیت، افزایش سطح دسترسی، پیاده سازی بهینه دستگاههای ارتباطی و … رخ داده است. حوزه ارتباطات خودرویی و سامانههای حمل و نقل هوشمند در سالهای اخیر به موازات این پیشرفتها، تغییرات مهمی را به خود دیدهاند. استفاده از فناوریهای نوین مانند ارتباط خودروها با یکدیگر و با سیستمهای نظارتی میتواند کیفیت بالاتری از مدیریت شرایط بحران، پرهیز از موقعیتهای حادثه ساز، تجربه سفر و … را ارائه دهد. افزایش دسترسی به اطلاعات جادهای توسط خودروها میتواند آنها را در انتخاب مسیر مناسب، کاهش مصرف سوخت و … یاری دهد. در عین حال افزایش دسترسی به اطلاعات توسط نهادهای نظارتی میتواند در مدیریت ترافیک، مدیریت کاربران بحران زا، الگوی رانندگی کاربران و …. استفاده شود.
برای استفاده از مزایای ارتباطات خودرویی و غلبه بر مشکلات موجود معماریهای متنوعی ارائه شده است. یکی از انواع معماریهای ارتباطی استفاده از فضای ابری برای ارتباطات خودرویی است. استفاده از فضای ابری میتواند با عدم بهرهمندی خودروها از توان محاسباتی بالا مقابله کند و در عین حال استفاده از این روش به جمعآوری دادههای مورد نیاز نهادهای نظارتی و کنترلی کمک خواهد نمود. . لایه ابری میتواند شامل سرویسها و کاربردهای فراوانی باشد. از جمله این سرویس ها می توان به مدیریت ترافیک، مدیریت شرایط بحرانی، مدیریت خودروهای خودران، مدیریت فضاهای پارک، کنترل رفتارهای نابهنجار در رانندگی و … اشاره نمود. بسیاری از این سرویسها با استفاده از روش های مبتنی بر هوش مصنوعی و الگوریتم های یادگیری ماشین پیاده سازی می شوند که در نتیجه نیازمند جمع آوری و پردازش داده های متنوعی از سطح جاده ها هستند. از این جمله داده ها می توان به مهر زمانی (timestamp)، موقعیت، سرعت و …. اشاره نمود.
در عین مزایای بیشمار استفاده از فناوریهای ارتباطی در حوزه خودرویی مخصوصا ارتباطات مبتنی بر فضای ابری، مشکلات و نگرانیهایی نیز وجود خواهد داشت. یکی از نگرانیهای مهم حفظ حریم خصوصی کاربران است. استفاده از دادههایی چون مکان دقیق جغرافیایی، مبدا، مقصد و از این دست اطلاعات میتواند کاربران را نگران نظارت غیرقانونی دولت بر روی زندگی خصوصی آن ها نماید. در عین حال ممکن است نهادهای خصوصی دیگری نیز از این اطلاعات برای تبلیغات، یافتن عادات رفتاری کاربران، دین، محل سکونت، محل کار و … استفاده نمایند.
حفظ حریم خصوصی در عین بهرهمندی از مزایای ارتباطات خودرویی می تواند به گسترش این نوع ارتباطات کمک فراوانی کند. بنابراین لازم است تا نگرانی کاربران از دیدگاه حریم خصوصی مورد توجه قرار گیرد و حل شود.
مفهوم شبکههای خودرویی، یکی از حوزههای تحقیق است که در سالهای اخیر رشد روزافزونی را به سبب توجه بیش از پیش مجامع دانشگاهی و همچنین صنعت تجربه کرده است. ایده اساسی در این حوزه ایجاد یک تکنولوژی جدید و نوین ارتباطی و ساخت زیرساختهای مورد نیاز برای ارتباطات بین خودروها و ارتباطات بین هر خودرو و سیستمهای نظارتی است [1].
با پیشرفت و نفوذ مفهوم محاسبات ابری، منابع ذخیره سازی، ارتباطات و محاسبات به عنوان خدمات در این حوزه معرفی شدهاند. به علاوه گسترش ارتباطات سیار از جهات مختلفی از جمله قابلیت اطمینان و دسترسی، افزایش سرعت انتقال داده مخصوصا برای کاربران در حال حرکت و …. پتانسیل این نوع ارتباطات را برای بهرهگیری از خدمات ابری نمایان ساخته است. ترکیب محاسبات ابری در مخابرات سیار و ارتباطات خودرویی مفهوم ارتباطات خودرویی ابری را برای ما به ارمغان خواهد آورد که دارای کاربردهای مختلفی از جمله مدیریت ترافیک، مدیریت زیست محیطی، مدیریت شرایط بحرانی، استفاده از دادههای چند رسانه ای و … است [1].
استفاده از فضای ابری علاوه بر مزایای بیشمار برای کاربران، این امکان را به نهادهای نظارتی می دهد تا بتوانند با استفاده از دادههای جمع آوری شده از سطح جادهها به بررسی وضع موجود ترافیک ، تشخیص کاربران متخلف و یا حادثهساز و … بپردازند و در نتیجه تصمیم گیریهای دقیق تری را برای حل مشکلات ارائه دهند. تحلیل این دادههای جمعآوری شده عموما به عهده سیستمهای مبتنی بر هوش مصنوعی و علی الخصوص الگوریتمهای یادگیری ماشین است. الگوریتمهای هوش مصنوعی و به خصوص یادگیری ماشین طی سالهای اخیر پیشرفت بسیار زیادی داشتهاند و توسط بسیاری از محققین به عنوان یکی از عناصر جدایی ناپذیر سیستمهای آینده خواهند بود. این الگوریتمها دارای انواع بسیار متنوعی هستند که میتوان از آنها با توجه به هدف خود و توانایی الگوریتم در حل مسائل استفاده نمود.
مقالات مختلفی در این حوزه از یادگیری ماشین برای بهبود پارامترها، تصمیمگیریها و امنیت ارائه شدهاند که در این بین میتوان به مرجع [2] اشاره نمود که با استفاده از ماشینهای بردار پشتیبان سعی در تشخیص و مقابله با حملات تحریف مکانی دارند که در این حملات کاربر خرابکار با ارسال موقعیت مکانی دستکاری خود، سعی می کند در سیستم اخلال ایجاد نماید. همچنین مرجع [3] با استفاده از روشهای یادگیری ماشین تلاش دارد تا موقعیت مکانی کاربران اخلال گر در سیستم ارتباطی را کشف نماید. محققان در این مقاله برای مقابله با حملات اخلال در سیستم ارتباطی با استفاده از نویز را مد نظر گرفته اند و چندین روش یادگیری را برای خوشهبندی این کاربران بررسی کرده اند. محققان در مرجع [4] تلاش دارند با استفاده از یادگیری عمیق میزان قابل اعتماد بودن گرههای موجود در شبکههای بی سیم اقتضایی خودرویی رابرای ایجاد یک الگوریتم مسیریابی مطمئن ارائه دهند.
بسیاری از این روشها و الگوریتمها مبتنی بر محاسبات بر روی دادههای آشکار هستند و در نتیجه امکان حفظ حریم خصوصی در هنگام محاسبات برای کاربران وجود نخواهد داشت. با این وجود تعدادی از محققان بر روی امنیت و حریم خصوصی این الگوریتمها کار کردهاند [5, 6]. این محققان توانستهاند روشهایی ارائه دهند تا بتوان سیستمهای یادگیری ماشین را با استفاده از دادههای رمزشده آموزش داد. روش های یادگیری ماشین بر روی داده های رمز شده را به طور کلی می توان به چند دسته تقسیم نمود. روش های مبتنی بر محاسبات چندطرفه(MPC)[1] [7, 8]که دارای سرعت اجرای پایینی هستند و در نتیجه به صورت عملی برای پیاده سازی بر روی داده های بزرگ مناسب نخواهند بود در عین حال مفهوم توزیع در آن ها مبتنی بر ارتباطات زیاد بین طرفین است که با اهداف ما همخوانی ندارد، روش های مبتنی بر رمزنگاری همریخت(HE)[2] [9, 10] است که این روشها دارای امنیت محاسباتی هستند و در عین حال با افزایش تعداد ویژگی های یادگیری پیچیدگی محاسباتی بالایی دارند. روش دیگر مبتنی بر حریم خصوصی تفاضلی(DP) [11, 12] است که با وجود مزایای بیشتری که نسبت به دو روش بیان شده دارد اما این روش مبتنی بر ارائه مدل یادگیری به صورت عمومی است. همان طوری که مشاهده کردیم بسیاری از این الگوریتمها دارای پیچیدگی و در عین حال سرعت اجرای پایینی هستند. محققان در [5] توانسته اند روشی سریع و امن (به صورت تئوری اطلاعاتی) برای توزیع یادگیری ماشین بین کاربران مختلف ارائه دهند که دارای مزایای مختلفی از جهت حفظ حریم خصوصی و در عین حال کاهش بار محاسباتی خواهد بود. استفاده از این روش شبکه های خودرویی را قادر میسازد تا علاوه بر استفاده از مزایای شبکه ابری از توان محاسباتی بدون استفاده دیگر خودروها نیز برای رسیدن به اهداف خود استفاده نماید.
[1] Multi-party Computation(MPC)
[2]Homomorphic Encryption(HE)
برای آشنایی بیشتر؛ پایان نامه انجام شده پیرامون موضوع ارائه روشی برای حفظ حریم خصوصی با استفاده از یادگیری ماشین توزیع شده بر روی داده های رمزشده درارتباطات خودرویی ابری را مطالعه کنید.
در این پژوهش معماری شبکههای خودرویی ابری را در نظر گرفتهایم تا با ارائه راهکاری نوین برای محاسبات دادههای کاربران در فضای ابری حریم خصوصی کاربران را حفظ نمائیم. با استفاده از الگوریتم ارائه شده در مرجع [5] برای اجرای یادگیری ماشین میتوان با توزیع فرآیند یادگیری و تصمیمگیری بین کاربران و سیستمهای مختلف در عین رمزگذاری بر روی دادهها علاوه بر افزایش سرعت اجرای الگوریتم، حریم خصوصی کاربران را حفظ نمود و در عین حال از مزایای یادگیری ماشین در تحلیل دادهها استفاده نمود.
فایل روش تحقیق مربوط به این موضوع را از اینجا دانلود کنید.