网站首页 公文大全 个人文档 实用范文 讲话致辞 实用工具 心得体会 哲学范文 总结范文 范文大全 报告 合同 文书 信函 实用
  • 汇报体会
  • 节日庆典
  • 礼仪
  • 毕业论文
  • 评语寄语
  • 导游词
  • 口号大全
  • 其他范文
  • 百花范文网 > 实用范文 > 其他范文 > 基于异步联邦学习和区块链的数据安全共享

    基于异步联邦学习和区块链的数据安全共享

    时间:2023-07-02 17:15:04来源:百花范文网本文已影响

    崔畅

    关键词:车联网;
    区块链;
    联邦学习

    1引言

    5G网络中新的计算和通信技术的快速发展为先进的车辆服务和应用(如自动驾驶和内容交付)提供了可能性,从而改善了驾驶体验。在该背景下,车联网(IoV)作为一种将智能计算和车辆网络集成到车辆网络中的新技术,成为一个关键的研究领域。在物联网中,移动的车辆不断生成大量不同类型的数据,其中包括轨迹、交通信息和多媒体数据等附加数据。如何高效、有效地利用海量可用数据来改善驾驶体验,并在物联网中提供广泛的高质量服务,是一个至关重要的研究领域。

    数据共享可以通过协同分析和挖掘数据来改善IoV应用程序质量。然而,在物联网中,数据共享面临两个关键挑战。首先,尽管车辆间通信不可靠,但车辆需要有效共享数据。如何提高数据共享效率和可靠性需要进一步深入研究。其次,数据提供商越来越担心数据安全和隐私问题,这可能会阻止他们提供可用于分析的数据。因此,如何在物联网中高效、安全地共享数据仍然是一个广泛研究的热门方向。

    2存在的问题

    多接人边缘计算(MEC)通过设备到设备(D2D)通信在移动网络边缘执行计算和内容存储,实现边缘资源共享。但是现有研究侧重于MEC的效率,仍需要进一步研究如何在MEC中实现分布式智能控制。在这方面,最近的一些工作已经将边缘智能用于车辆网络中的资源共享。如采用深度强化学习(DRL)来设计数据传输调度方案,以最小化车辆网络中的传输成本。然而,分布式场景中资源共享的安全问题仍未解决。

    最近,区块链已成为提供分布式安全解决方案的一种很有前途的技术。区块链具有防篡改、匿名性和可追踪性等先进特性,因此在物联网、车载网络和智能电网等领域,区块链在增强安全性方面引起了极大关注。近年来,有大量研究利用区块链在车辆网络中进行数据共享。例如,不但利用了由路边装置维护联盟区块链,实现车辆边缘网络中的安全数据共享,还可为分布式数据共享设计一个区块链授权的安全数据共享架构。尽管区块链的使用为数据安全共享提供了可能性,但维护区块链需要额外的计算和通信负担,可能对效率方面产生不利影响。

    为了提高区块链的效率和智能性,一些研究探索了将区块链与人工智能相结合。如通过将人工智能算法和区块链集成到无线网络中,构成一种安全智能的架构,可实现5G以外的安全资源共享。然而,虽然在这些集成框架中,研究数据和网络的安全和隐私问题是一个重要的研究方向,但相关工作却相当有限。为此,减轻区块链与人工智能集成的资源成本需要更密切和更深入的研究。

    联邦学习是分布式场景中隐私保护边缘智能的一种很有前途的方法。而在传统的机器学习中,所有的训练数据都是在一个集中的管理员处收集的,联邦学习在很大程度上解决了隐私问题,并且通过将训练工作分发给用户自己来降低数据传输成本。本地训练由用户根据自己的数据执行,通常采用梯度下降优化算法。在联邦学习框架中,用户自己保存数据,但将参数发送到服务器进行聚合。这为用户提供了一个并行方案,以协作学习与其数據隐私相关的全局模型。因此,联邦学习通过以保护隐私的方式从分布式数据学习中来实现边缘智能,并利用区块链在不受信任的参与者之间提供有保证的协作方案,以实现高效共享。

    然而,就联邦学习的计算和通信资源而言,设备的异构性为应用联邦学习带来了新的挑战。为了提高学习效率和学习质量,需要解决三个关键方面。首先,更新的参数也可能泄露用户的数据隐私。如何全面确保联邦学习计划的安全性有待进一步研究。其次,由于边缘设备的异构计算和通信能力,必须减少计算和通信开销,并将总体学习时间降至最低,应降低参与者共享恶意和冗余数据等不合格数据的风险。最后,应减少由于联邦学习造成的延迟,提高处理车辆的异构通信和计算能力。

    3面向车联网基于异步联邦学习和区块链的数据安全共享体系框架

    本文通过将区块链和联邦学习集成到IoV中以实现数据安全共享。本文开发了一个混合区块链-PermiDAG,并用提出的节点选择算法改进联邦学习。本文的贡献可以概括如下:提出了一种新的混合区块链-PermiDAG,它由路边装置(RSU)和DAG组成:通过将学习的参数集成到区块链中,并通过两阶段验证来验证这些参数的质量,从而提高学习模型的可靠性。

    假设车辆提交共享特定类型数据的请求,用于特定目的,如交通预测或路径选择。我们将数据共享过程视为一项计算任务。

    由于传统的联合学习可能会导致参与节点之间的同步延迟,本文提出了一种异步联合学习方法,将计算和通信资源结合起来考虑。本文提出的方法通过优化选择参与节点,并将其分为本地聚合和全局融合来执行异步学习。同时,使用集成区块链来存储和验证模型参数,这可以提高所提方案的可靠性和安全性。本文提出的面向车联网基于异步联邦学习和区块链的数据安全共享体系,如图1所示。首先,选定的车辆执行本地训练,然后通过DRL算法对区块链节点选择优化,最后更新其经过训练的本地模型以进行全局融合。此外,我们还考虑了由本地计算过程和本地数据决定的更新质量。

    对于不同的应用场景,如物联网中的边缘资源共享和车载网络中的内容缓存,可以根据优化目标定义不同的目标函数。例如,目标可以是最小化能源成本、最小化运行或时间,以及最大限度地提高学习精度。此外,目标函数可以将各种约束纳入组合优化问题。

    传统的同步联合学习会消耗大量资源并导致通信延迟,使用控制算法可实现高效的异步学习方案。解决定义的目标函数和提高联合学习性能的方法可以基于以下方面的控制算法。

    节点选择:由于不同客户端节点的异构资源和能力,参与节点的选择对联邦学习的性能有着决定性的影响。此外,还应验证每个节点的训练模型。基于计算能力、通信状态和训练数据的质量,我们可以进一步设计选择控制算法,以最大限度地提高学习性能。

    全局聚合:对于边缘服务器,如何根据应用场景选择初始全局训练模型是一个基本问题。此外,由于聚合过程花费了大量资源,因此如何设计聚合算法、选择每次迭代的持续时间以及指定迭代的总数,还需要进一步工作。

    权衡本地训练:由于在基于区块链的解决方案中上传更新需要花费时间,因此参与节点的目标是以更少的成本获得更高的训练精度。在上传更新之前确定本地训练迭代次数的控制算法可以进一步提高本地训练过程的利润。

    4混合许可区块链:PermiDAG

    为了提高数据共享的安全性、训练效率和准确性,本文为联邦学习方案设计了一种混合区块链机制-PermiDAG。PermiDAG由一个主要许可区块链和本地DAG组成,分别负责联邦学习中的同步全局融合和异步本地训练。PermiDAG是分区容忍的,这意味着部分节点也可以有效地运行区块链。此外,通过让车辆只存储本地DAG,并让RSU存储许可的区块链,提高了存储效率。

    本文利用本地DAG,将车辆之间的相关数据共享事件作为事务处理。异步一致性允许车辆就历史状态而不是当前状态达成一致。车辆i的本地DAGi更新模型并传输到其附近的车辆进行同步。每辆车都会随机将其最新的DAGi(包括交易和审批关系)与相邻车辆互通同步事务记录数据请求者、数据提供者、根据N个节点中每个节点贡献Ci从本地更新全局模型权重w(t)如式(1)所示,以及DAG中已批准事务(即边缘)之间的指针信息。

    此外,本文还使用声誉机制来量化参与者在数据共享过程中的表现,高质量数据的参与者获得较高的声誉分数。在数据共享过程中,我们根据参与者的模型准确性计算其累积声誉,并将声誉记录在本地DAG中。

    5用于节点选择的深度强化学习

    5.1问题描述:节点选择的组合优化

    不同车辆的异构计算资源和时变通信条件阻碍了全局融合阶段的执行效率。本文利用深度确定性策略梯度(DDPG)算法,在异步反馈学习中找到节点选择的最佳解决方案。基于马尔可夫决策过程,其中参数描述如下。

    5.2基于DDPG的完全节点选择算法

    本文采用DDPG来解决节点选择问题(图1),基本准则是使用值函数更新系统策略。主网络包括一个演员神经网络模型和评论家神经网络模型分别表示代表神经网络中的参数。需要注意的是目标网络与主网络具有相同的网络结构,并生成用于训练演员一批评家神经网络的目标值。DDPG还使用回放存储器存储用于训练网络的过渡信息。过渡信息包含当前状态、对状态采取的操作、下一状态和相应的奖励。演员神经网络的目标是提供最佳节点选择操作。参与神经网络的输入是当前状态,输出是要采取的操作。动作是通过从当前状态到动作的映射生成,其中0为神经网络的模型参数,也可以看作搜索策略。其中,随机策略梯度的梯度,等价于确定性策略梯度。

    6应用场景及服务

    车联网场景:在车联网场景中,由于电力供应有限,能源成本是一个关键问题。与其他场景相比,计算和通信资源也非常有限。因此,为了在车联网中应用所提出的框架,在设计目标函数时应考虑能量、计算和通信的消耗。此外,由于每个设备上的训练数据大小有限,应简化车联网设备的模型,并应执行更多本地训练迭代。执行的聚合可以通过涉及更多车联网设备在更大程度上确保学习质量。由于车联网设备的资源有限,提出的方案可以在車联网设备无任务期间执行。此外,由于资源有限,车联网设备的安全性是一个严重的问题。参数区块链的集成可以降低集中式机制所带来的风险。

    资源共享:在车联网中,大规模设备和延迟敏感应用程序需要大量资源。因此,频谱和数据等资源的限制会阻碍超网络的发展步伐。分布式资源共享是提高无线网络资源利用率和服务质量的一种有效方法。在提出的区块链授权联邦学习方案中,拥有免费资源的多个分布式提供商可以协作为消费者共享资源,如图1所示。区块链为资源提供商与消费者共享资源提供了一个安全的方案,从而减轻了恶意用户和易受攻击的集中式管理者所带来的风险。共享信息记录为区块链中的交易,消费者通过区块链进行资源租赁交易。联邦学习方案不仅可以从数据中学习计算结果,还可以提供优化的共享策略。

    分布式设备到设备缓存:边缘设备上的大量多媒体应用程序生成大量内容,在MBS中存储的大规模内容具有挑战性。本文提出的方案可以通过对分布式用户数据流行程度的模型进行训练来学习最佳的缓存策略,该模型还考虑了通信成本、当前需求和用户提供的信息。学习过的模型能够对不同的内容进行预测。因此,系统可以缓存所需的内容,减少传输延迟。该方案还增强了缓存过程中用户数据的安全性和隐私性,实现了全局最优的缓存策略。

    边缘计算卸载:由于区块链的维护和更新的融合需要密集的计算,对于边缘服务器来说,根据适用的约束执行计算是一项具有挑战性的任务。为解决这个问题,本文将计算任务拆分,并将计算任务的碎片卸载到附近具有足够计算资源的参与节点,以完全利用分布的计算资源。此外,卸载的计算任务还可以利用目标用户的数据来训练计算任务,这可以进一步减少传输开销。提出的区块链授权联邦学习方案非常适合应用于分布式边缘计算场景。通过区块链交互和本地保存自己的数据,增强了数据的安全性和隐私性。联邦学习方案涉及来自不同用户的大量训练数据,从而提高了训练的全局模型的质量。

    网络数据分析:网络数据分析功能是3GPP在车联网技术中引入的一个新实体,它使5G运营商能够使用AI监控和分析网络。通常,网络数据分析功能可以连接到任何网络功能,并可以访问核心网络中的任何数据。此外,任何网络功能都可以请求网络进行数据分析。通过使用本文提出的联邦学习方案,核心网络中的每个实体都训练其本地机器学习模型,并且只将训练好的模型参数传输给网络数据分析功能实体,应用场景如图1所示。反馈学习方案可以显著降低车联网中网络功能虚拟化技术带来的安全风险。

    7结束语

    本文针对IoV框架中车辆之间的边缘数据共享问题,为了减轻传输负载并解决提供商的隐私问题,首先提出了一种基于异步联邦学习和区块链的新数据安全共享架构。为了增强模型参数的安全性和可靠性,进一步提出了一个区块链授权的异步联邦学习框架。通过将区块链集成到联邦学习中来维护经过训练的参数,从而增强安全性和隐私性。最后,本文将资源共享任务定义为一个组合优化问题,同时考虑了资源消耗和学习质量到基于深度强化学习的算法来寻找问题的最优解。本文提出的算法可有效提高运行效率,降低计算成本,具有较快的收敛速度和较高的模型精度。

    猜你喜欢车联网区块链整合广播资源,凝聚声音优势中国广播(2016年11期)2016-12-26保险企业的区块链技术应用方向选择研究现代经济信息(2016年27期)2016-12-16区块链技术在金融领域的应用与前景研究中国市场(2016年32期)2016-12-06区块链技术的应用价值分析商情(2016年40期)2016-11-28汽车生产企业发展车联网的优势与劣势中小企业管理与科技·下旬刊(2016年10期)2016-11-18“区块链”的苟且、诗和远方现代国企研究(2016年10期)2016-11-18基于区块链技术的数字货币与传统货币辨析企业导报(2016年19期)2016-11-05基于车联网的交通信息采集与应用研究电脑知识与技术(2016年17期)2016-07-23中国车联网产业链与商业模式研究商(2016年8期)2016-04-08基于车联网技术的智慧物流的发展前景商(2016年4期)2016-03-24

    相关热词搜索:区块 联邦 共享

    • 范文大全
    • 说说大全
    • 学习资料
    • 语录
    • 生肖
    • 解梦
    • 十二星座