.png){kind=icon}
返回
Privacy-preserving distributed estimation for interconnected dynamic systems
.png){kind=icon}
PRE
AI
DOI：10.1016/j.automatica.2025.112277.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文研究了互联动态系统分布式估计中的隐私保护问题。子系统在加权求和聚合过程中交换信息，对分布式估计构成了显著的隐私风险。为解决这些问题，我们提出了一种用于隐私矩阵-向量乘法和隐私加权求和聚合的噪声污染机制。该机制将矩阵分解为两个列秩亏缺矩阵，并注入来自它们零空间的噪声，以保护矩阵-向量乘法过程中向量的机密性。建立了若干条件以确保该机制实现完全机密性。随后，我们设计了带有隐藏权重的隐私加权求和聚合的双层加密方案，整合了隐私矩阵-向量乘法和Paillier密码系统。此外，我们利用所提出的聚合方案，为互联动态系统开发了隐私保护分布式估计器。我们的分析表明，子系统和其分布式估计器均实现了有效的隐私保护。最后，提供了一个示例来验证所提出方法的有效性。(c) 2025 Elsevier Ltd. All rights are reserved, including those for text and data mining, AI training, and similar technologies.
Keyword:
Privacy-preserving distributed estimator
Interconnected dynamic system
Private matrix-vector multiplication
Private weighted sum aggregation
Paillier cryptosystem
期刊
IF:
5.9
论文数:
1.2W
被引数:
5.2W
机构
引用论文
Moving-horizon partition-based state estimation of large-scale systems基于移动水平划分的大系统状态估计.png)
AUTOMATICA
AUTOMATICAIF5.9
PREAI
分享收藏
分享收藏
分享收藏Special section on control of complex networked systems (CCNS): Recent results and future trends
PREAI
分享收藏Distributed Kalman filtering for time-varying discrete sequential systems时变离散序列系统的分布式卡尔曼滤波AUTOMATICA
AUTOMATICAIF5.9
PREAI
分享收藏
查看更多内容