Secure Data Sharing in the Internet of Vehicles Using Blockchain-based Federated Learning

Abstract

The Internet of Vehicles enables connected vehicles to share data and collaboratively learn to enhance road safety and traffic efficiency. Federated learning has emerged as a promising approach for enabling privacy-preserving collaborative learning among vehicles, allowing them to jointly train machine learning models without sharing raw sensitive data. However, the centralized architecture commonly used in federated learning introduces significant security vulnerabilities that can compromise system integrity and reliability. While extensive research exists on federated learning security in general, there is insufficient analysis of how these security challenges manifest in specific application contexts, particularly in dynamic environments like IoV. Here we show that integrating Hyperledger Fabric’s permissioned blockchain with zero-knowledge proofs creates a comprehensive security framework that effectively protects federated learning systems against both model tampering, aggregation protocol violation, and unauthorized access while maintaining privacy. Our systematic analysis and implementation reveals that blockchain technology can address core vulnerabilities in centralized federated learning architectures while preserving their privacy benefits, demonstrating advantages over previous approaches that relied solely on cryptographic protocols or trusted third parties. By validating our framework through a concrete IoV data sharing implementation, we establish a practical foundation for securing federated learning in distributed environments. The implications of this research extend beyond vehicular networks to any domain requiring secure collaborative learning among distributed participants. As autonomous systems become increasingly interconnected, this work demonstrates how combining blockchain with federated learning can enable trustworthy data sharing while preserving both privacy and security.

Sõidukite Internet (Internet of Vehicles, IoV) võimaldab ühendatud sõidukitel jagada andmeid ja koostööl põhinevalt õppida, et parandada liikluse ohutust ja tõhusust. Hajutatud õppimine (federated learning) on kerkinud perspektiivikaks lähenemiseks privaatsust säilitava koostöö õppe võimaldamiseks sõidukite vahel, võimaldades neil ühiselt treenida masinõppe mudeleid ilma tundlike algandmete jagamiseta. Siiski toob hajutatud õppimise levinud tsentraliseeritud arhitektuur kaasa märkimisväärsed turvariskid, mis võivad ohustada süsteemi terviklikkust ja usaldusväärsust. Kuigi eksisteerib ulatuslik teaduskirjandus hajutatud õppimise turvalisuse kohta üldiselt, pole piisavalt analüüsitud, kuidas need turbeprobleemid avalduvad spetsiifilistes rakendusvaldkondades, eriti dünaamilistes keskkondades nagu sõidukite internet. Käesolevas uurimuses näitame, et Hyperledger Fabric’i lubatud plokiahela integreerimine nullteadmiste tõenditega loob tervikliku turbemudeli, mis tõhusalt kaitseb hajutatud õppimise süsteeme mudeli manipuleerimise, agregeerimisprotokollide rikkumise ja volitamata juurdepääsu eest, säilitades seejuures privaatsuse. Meie süstemaatiline analüüs ja rakendus näitab, et plokiahela tehnoloogia suudab kõrvaldada tsentraliseeritud hajutatud õppimise arhitektuuride põhilised haavatavused, säilitades samal ajal nende privaatsuse eelised. See demonstreerib eeliseid varasemate lähenemiste ees, mis tuginesid ainult krüptograafilistele protokollidele või usaldusväärsetele kolmandatele osapooltele. Meie raamistiku valideerimine konkreetse sõidukite andmejagamise rakenduse kaudu loob praktilise aluse hajutatud keskkondades hajutatud õppimise turvamiseks. Käesoleva uurimuse mõjud ulatuvad sõiduki võrkudest kaugemale, hõlmates kõiki valdkondi, kus on vaja turvalist koostöö õpet hajutatud osalejate vahel. Kuivõrd autonoomsed süsteemid muutuvad järjest ühendatumateks, näitab käesolev lõputöö, kuidas plokiahela ja hajutatud õppimise kombineerimine võimaldab usaldusväärset andmejagamist, säilitades nii privaatsuse kui ka turvalisuse.