1.一种车联网环境下用于联邦学习的批量聚合方法，其特征在于：包括以下步骤：S1、系统初始化

由训练任务发起者LEA在联邦学习前根据双线性配对关系，生成对应的生成器g1，g2，并选择生成随机数s1，s2和h，μ，v，将s1，s2作为LEA主私钥，将(g1，g2，μ，v，h，Γ)作为LEA公钥，Γ＝γg2，γ∈Zq；对路侧单元RSU进在行初始化，每个RSU选择若干随机数作为加密私钥，并计算其公钥para′＝(κ1，κ2，pk1，pk2，pk3)；对车辆进行初始化，参与联邦学习的车辆选择一‑1个随机数xi∈Zq作为自身私钥，并计算得到对应公钥Ai，Ai＝(xi+γ) g1，同时将RSU公钥和LEA中γ临时存入自身的车载单元OBU，最后所有车辆均将(Ai，xi)发送给LEA；i表示第i个车辆；

S2、车辆参与本地训练

每个参与联邦学习的车辆从路侧单元RSU处获取最新的全局模型并使用自身的数据集进行本地训练，当达到指定的轮数后，将训练好的本地模型的参数通过RSU的公钥para′进行加密，其次再通过零知识证明的方法对加密数据进行签名，最后将加密数据和签名一同发送给RSU，并等待RSU进一步指示，若收到RSU的停止命令，则要退出群组中止训练，若收到新的全局模型，则重复本地训练；

S3、RSU聚合模型

联邦学习开始之前，路侧单元RSU先使用默认参数，并初始化全局模型，全局模型根据不同的任务自动选择；其次将初始化后的全局模型进行广播，并等待收集车辆的加密数据和签名；

当所有车辆都已训练完毕，对收到的所有响应结果进行批量的验证签名是否有效，若签名有效则对其进行联邦聚合产生新的全局模型，并使用验证集数据验证其是否达标，若已达目标，则向车辆发送终止训练命令，若未达标，则所有车辆广播新的全局模型，进行新一轮训练。

2.根据权利要求1所述的车联网环境下用于联邦学习的批量聚合方法，其特征在于：所述步骤S1的详细步骤为：S1.1、LEA初始化：训练任务发起者LEA根据双线性配对关系 生成g1，g2作为生成器，同时生成随机数 以及s1，s2∈Zq，且满足s1μ＝s2v＝h，将s1，s2作为LEA主私钥，LEA随机选择γ∈Zq，计算Γ＝γg2，最终得到群组公钥(g1，g2，μ，v，h，Γ)；

S1.2、RSU初始化：RSU随机选择5个随机数sk1，sk2，sk3，sk4，sk5∈Zq作为数据加密私钥，然后通过两个随机数κ1，κ2∈Zq来计算pk1、pk2和pk3作为验证公钥，RSU最终公钥为(κ1，κ2，pk1，pk2，pk3)；

pk1＝sk1κ1+sk2κ2，pk2＝sk3κ1+sk4κ2，pk3＝sk5κ1；

S1.3、车辆初始化：每一个参与训练的车辆随机选取xi∈Zq作为私钥，其次从LEA处获得γ计算车辆自身公钥Ai，然后将获取的RSU公钥(κ1，κ2，pk1，pk2，pk3)和γ一同存入车辆的OBU中，最终每个车辆将(Ai，xi)通过安全信道上传给LEA。

3.根据权利要求2所述的车联网环境下用于联邦学习的批量聚合方法，其特征在于：所述步骤S2中车辆训练的具体过程为：S2.1、车辆训练

参与训练的车辆从RSU处接收全局模型ψ，若验证其签名正确，则接受ψ作为新的全局模t+1型，然后进行本地训练得出新的本地更新G ，t代表当前训练轮数；Gt+1代表t+1轮的本地模型；

S2.2、使用非对称密钥体系对参数加密

车辆先选择一个随机数ω∈Zp，然后使用RSU公钥计算Z1、Z2、Z3和EN{G}，其中G代表新的t+1本地更新G ，Z1、Z2、Z3则是用于数据验证的随机参数；然后使用EN{G}覆盖原文，最终所得加密数据为Cipher＝(Z1，Z2，EN{G}，Z3)；

H＝Hash(Z1||Z2||En{G})，

κ1，κ2∈Zq；

S2.3、采用零知识证明体系对加密数据签名

车辆选择随机数a，b∈Zp，然后计算T1＝aμ，T2＝bv，T3＝Ai+(a+b)h，得到其结果(T1，T2，T3)，通过T3对Ai进行线性加密的密文；车辆再选择五个随机数ca，cb，cx，cα，cβ∈Zp，车辆基于Fiat‑Shamir启发式建立非交互式零知识证明进行签名计算，最终生成签名σ，σ为T1，T2，T3，C3， sa，sb，sx，sα，sβ，签名计算的过程为：

1).计算随机参数：C1＝caμ，C2＝cbv，C4＝cxT1‑cαμ，C5＝cxT2‑cβv，C1‑C5为线性运算中间变量，且C3使用的

是双线性配对；

2).计算证明： Tstamp为时间戳；

3) .计 算 验证 参数 ：

S2.4、数据上传

经过步骤2.1‑2.3，每个车辆计算出自己的加密数据以及其对应的签名，生成上传数据Msg＝(σ，Cipher，Tstamp)并上传给RSU，并等待RSU进一步指示，若收到RSU的停止命令，则要退出群组，并中止训练，若收到新的全局模型，则回到步骤S2.1重复训练。

4.根据权利要求3所述的车联网环境下用于联邦学习的批量聚合方法，其特征在于：所述步骤S3中模型聚合的具体过程为：S3.1、全局模型初始化

开始训练任务前，RSU根据训练任务目标生成对应全局模型，并使用默认参数对该全局模型初始化，即为全局模型分配随机的模型权重和偏置信息，当群组中有车辆参与联邦学习时，就对全局模型参数进行广播；

S3.2、梯度聚合

当RSU收到车辆的加密数据和对应签名后，先对其时间戳Tstam进行验证，若时间戳不是最新的，则忽略该训练数据；若时间戳为最新的，则对签名σ进行验证；

当签名σ验证有效时，RSU对数据还原：还原过程为：先计算H＝Hash(Z1||Z2||En{G})，然后使用RSU私钥计算(sk1+sk3H)Z1+(sk2+sk4H)Z2，若计算结果与加密数据中Z3一致，则使用对数据进行还原；

当收到所有车辆的本地更新后，对全局模型的所有参数进行累加并取平均作为新的全局模型，使用该全局模型在验证集上进行验证，若满足要求，则向参与车辆发送终止训练命令，反之，则将ψ广播给所有车辆，进行下一轮的训练；累加并取平均的公式为Gi代表从 解密出的每个车辆的本地模型信息；Kt代

表车辆；|Kt|表示车辆的总数量；

S3.3、使用批量梯度聚合对所有车辆签名进行验证，验证过程为：

1 2 n

1).收集所有车辆的本地更新G，G，G，...，G；

2).验证每个本地更新的时间戳是否是最新；

3) .验证每个车辆的签名是否有效：选取随机数δi∈Zp，计算验证参数计

算 并将其与每个签名中的 比较，若

不相等则，直接拒绝该一批数据，若每一个签名的结果均相等则计算以下方程：并其结果仍然相等，则认定该一批数据的签名均是正确的，反之则直接抛弃这一批数据；

若所有签名有效，则计算每一条加密数据中的Hi＝Hash(Z1，i，Z2，i，En{G}i)，并使用RSU的私钥进行下列比较：若结果相等，可计算下列公式

得出这一批数据的总和，其次只需要将结果除以

该批数据的总数，即可得到新的全局模型ψ，同时使用该模型在验证集上进行验证，若满足要求，则向参与车辆发送终止训练命令，反之，则将ψ广播给所有车辆，进行下一轮的训练。

5.根据权利要求4所述的车联网环境下用于联邦学习的批量聚合方法，其特征在于：所述步骤S3.2中对签名σ进行验证的过程为：

1).计算验证参数：

2).判断签名是否有效：计算 并将其结

果与签名σ中的 比较是否相等，若相等，则继续比较 和签名中的C3是否相同，若 和C3相等，则认定当前签名有效，反之则认定改签名无效，抛弃该训练数据。