PrivEdge-Loc：适用于多频段网络的边缘高效且隐私保护的室内定位技术

《IEEE Access》：PrivEdge-Loc: Edge-Efficient and Privacy-Preserving Indoor Localization for Multi-Band Networks

　　

摘要：

在本文中，我们提出了一种新的、轻量级的且安全的解决方案 PrivEdge-Loc，该方案特别适用于物联网（IoT）网络中的多频段室内定位。与传统需要大量边缘计算资源的联邦学习方法不同，我们的解决方案通过“分割学习”（Split Learning）大幅降低了计算需求。分割学习是一种新颖的机器学习范式，它将神经网络分为两部分：一部分位于边缘设备上，另一部分位于服务器上。通过将繁重的计算任务卸载到服务器，边缘节点只需向服务器发送低维的压缩数据进行处理，从而在架构层面保护了原始信道状态信息（CSI）的隐私，防止被窃听。为了解决多频环境中的统计异质性问题，服务器在动态专家混合（MoE）架构中使用了可微分的门控网络（differentiable gating network）。这使得服务器能够动态地将输入特征路由到特定频率的专家模型，而无需明确识别频段。此外，通过基于提示的知识蒸馏（Hint-Based Knowledge Distillation, HKD）技术，进一步增强了“学生专家”模型的表示能力，该技术主动将学生模型的中间潜在空间与预训练的“教师模型”对齐。我们提出的 PrivEdge-Loc 在包含 2.4 GHz、3.5 GHz 和 5.0 GHz 三个频段的非独立同分布（non-IID）数据集上进行了评估，其平均绝对误差（Mean Absolute Error, MAE）仅为 0.194 米。该框架为数据敏感的多租户部署提供了一种高度可扩展、安全且可行的替代方案，相比计算密集型的联邦学习方法更具优势。