近年来,车联网人工智能应用相继涌现,如智能驾驶、高精地图、增强现实等。车联网人工智能应用的实现过程包含三个阶段:在数据采集阶段,需要持续采集大量感知数据作为供应;在模型训练阶段,训练深度模型学习感知数据的内在规律;在模型推断阶段,基于训练好的深度模型识别新的感知数据,支持人工智能应用的智能决策。在这个实现过程中,车联网群智感知和数据共享发挥着极为关键的作用。一方面,车联网群智感知通过车载设备和路侧设施提供范围广、颗粒度细的感知数据采集。同时,基于车联网边缘计算,提供通信能耗开销更少、计算处理时延更低、数据隐私保护更强的深度模型训练和推断。另一方面,在不同的车联网群智感知场景中,为了支持人工智能应用的高效执行,需要共享不同类型的数据,包括感知的原始数据、训练的模型参数、推断的特征输出等。本文重点聚焦车联网群智感知的三种代表性应用场景,分别是数据采集阶段的车路协同感知场景与原始数据共享、模型训练阶段的联邦学习场景与模型参数共享、模型推断阶段的协同推断场景与特征输出共享,围绕这些应用场景中存在的感知任务分配问题、数据隐私保护问题、激励机制设计问题展开讨论分析。本文的主要内容如下:1.研究车路协同感知场景的感知任务分配问题和计算资源调度问题。在该场景中,服务提供商通过车路协同感知网络采集数据,并共享原始数据到边缘服务器执行处理。考虑车辆节点和路侧节点的不同特性,设计基于三方博弈的感知任务分配方案。同时,考虑边缘服务器对感知数据的并行计算任务,设计基于迭代算法的计算资源调度方案。根据真实出租车数据集的仿真结果表明,所提出的感知任务分配方案有效提高协同感知质量和服务提供商的经济效用,所提出的计算资源调度方案有效降低计算处理时延。2.研究车联网联邦学习场景中的数据隐私安全问题。在该场景中,车载设备对感知数据在本地执行模型训练,并共享模型参数到边缘服务器进行聚合。为防御攻击者基于共享模型参数推测用户隐私信息,设计差分隐私保护方法,在训练过程中对模型参数加入尺度可控的随机高斯噪声。理论分析和基于公开数据集的实验结果表明,所提出差分隐私保护方法有效保证数据隐私保护与模型训练收敛。3.研究车联网联邦学习场景中的激励机制设计问题。对车辆在联邦学习中的贡献度以及计算、通信、隐私等多维成本建立模型,根据此模型设计基于多维契约论的激励机制。该激励机制使服务提供商在多维信息不对称条件下,对不同类型的车载设备提供最优奖励,激励它们贡献更多感知数据参与训练,提高训练模型的准确度。仿真结果表明,提出的激励机制有效提高服务提供商在车联网联邦学习中获得的经济效用。4.研究车联网协同推断场景中的数据隐私安全问题。在该场景中,车载设备执行部分深度模型的计算,并共享输出的特征,与边缘服务器共同完成深度模型推断。为防御攻击者基于共享的特征输出复原原始图像,设计三种差分隐私保护方法,分别在深度模型的模型参数、输入图像、特征输出中,加入尺度可控的随机拉普拉斯噪声。理论分析和基于公开数据集的实验结果表明,所提出差分隐私保护方法有效防御图像复原攻击,同时保证模型推断的准确度。5.研究车联网协同推断场景中的激励机制设计问题。考虑差分隐私保护和车辆行驶速度的影响,对车辆在协同推断中的贡献度以及潜在隐私损失建模。根据此模型设计基于主从博弈的激励机制,并用分布式算法求解该主从博弈唯一的斯坦伯格均衡点。在该均衡点,服务提供商提供最优奖励,激励车辆选择更高的隐私预算,提高模型推断的准确度。仿真结果表明,提出的激励机制有效提高服务提供商在车联网协同推断中获得的经济效用。