区块链支持异步联合学习实现车联网中的安全数据共享

论文来源： Y. Lu, X. Huang, K. Zhang and S. Maharjan, Y. Zhang, "Blockchain Empowered Asynchronous Federated Learning for Secure Data Sharing in Internet of Vehicles," in IEEE Transactions on Vehicular Technology.

简介

在车联网（IoV）中，数据之间的共享用于协作分析的车辆可以提高驾驶体验和服务质量。但是，带宽，安全性和隐私问题阻碍了数据提供者参与数据共享过程。此外，由于IoV中的通信间歇性且不可靠，因此需要进一步提高数据共享的可靠性和效率。在本文中，我们提出了一种基于联合学习的新体系结构，以减轻提供商的传输负载和隐私问题。为了提高模型参数的安全性和可靠性，我们开发了一种混合区块链架构，该架构由许可区块链和本地有向无环图（DAG）组成。此外，我们通过采用深度强化学习（DRL）进行节点选择，提出了一种异步联合学习方案，以提高效率。通过将学习到的模型集成到区块链中并执行两阶段验证，也可以确保共享数据的可靠性。

背景

5G网络及其以外的新计算和通信技术的快速发展为先进的车辆服务和应用（例如自动驾驶和内容交付）打开了可能性，这些服务和应用可以改善驾驶体验。在这种情况下，车联网（IoV）是一个新的范例，它将智能计算和车辆网络集成到车载网络中成为一个关键领域。在IoV中，行驶中的车辆不断产生大量不同类型的数据，其中包括诸如轨迹，交通信息和多媒体数据之类的附加数据。如何有效地利用大量可用数据来改善驾驶体验并在IoV中提供广泛的高质量服务是至关重要的问题。

数据共享可以通过分析和缓解协作挖掘数据，以提高IoV应用程序的质量。但是，在IoV中，数据共享面临两个关键挑战。首先，车辆需要通过不可靠的车辆间通信来有效地共享数据。如何提高数据共享效率和可靠性还需要进一步深入研究。其次，数据提供者越来越担心数据安全性和隐私问题，这些问题可能会阻碍他们提供可用的数据进行分析。因此，如何在IoV中有效和安全地共享数据仍然是一个开放的研究问题。

最近，区块链已成为一种有前途的技术，提供分布式安全解决方案的专家。凭借防篡改，匿名和可追踪性等高级功能，区块链在增强物联网（IoT），车载网络和智能电网等领域的安全性方面引起了极大的关注。

联合学习是一种有前途的方法在分布式方案中保护隐私的边缘智能。联合学习不是在集中的策展人那里收集所有培训数据，而是在很大程度上解决了隐私问题，并通过将培训工作分配给用户自己来降低传输成本。用户根据自己的数据执行局部训练，通常采用梯度下降优化算法。在联合学习框架中，用户保留其数据，但将参数发送到服务器进行聚合。这为用户提供了一种并行方案，以供他们协作学习其数据隐私方面的全局模型。联合学习通过以隐私保护的方式从分布式数据中学习来实现边缘智能，并使区块链能够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。

但是，在IoV中，由于车辆的机动性和不可靠的车辆间通信而造成的高度动态环境带来了许多新的挑战需要解决。在这种情况下，三个方面至关重要。首先，需要提高区块链的计算效率。其次，需要保证共享数据的可靠性。应该减轻提供商共享不合格数据（例如恶意和冗余数据）的风险。第三，应减少由于联合学习而引起的延迟，以应对车辆的异构通信和计算能力

区块链赋能的异步联合学习架构

传统的联合学习取决于同步学习方案以更新服务器和客户端之间的模型。但是，这种方法存在两个主要挑战。首先，在车辆网络中，每辆车的学习时间因其异构的计算能力和动态通信条件而有所不同。因此，每个学习迭代的运行时间由最慢的参与者决定，而其他参与者则必须等待最慢的参与者才能维护同步方案。我们提出异步联合学习来解决这个问题。我们提出的方案通过最佳选择参与节点并将聚合时隙划分为本地聚合时隙和全局聚合时隙来执行异步学习。其次，在参与节点之间传输的参数提出了严重的安全性和隐私问题，并且由于动态信道条件而导致的低通信可靠性加剧了这些参数传输的可靠性。我们集成了区块链来存储和验证模型参数，从而可以提高所提出方案的可靠性和安全性。此外，我们采用基于Actor-Critic（AC）强化学习框架的DRL算法，在我们提出的异步联合学习中选择参与节点。拟议的区块链授权异步联邦分级学习架构包括三个阶段：节点选择，局部训练和全局聚合。节点选择通过使用DRL算法选择参与的车辆来制定和解决优化问题。然后，选定的车辆执行本地训练并更新其训练后的本地模型以进行全局汇总。

混合许可的区块链方案：PERMIDAG

由于车载网络的时变拓扑结构和严格的延迟要求，因此在V2V数据共享过程中很难维护高效的计算区块链。此外，由于参与者之间为了实现许可区块链中的一致性而对链数据进行同步和验证，上传和检索参数的过程非常耗时。为了提高数据安全性，培训效率和准确性，我们为联合学习计划设计了一种混合区块链机制-PermiDAG。PermiDAG由一个主要的许可区块链和本地DAG组成，分别负责我们的联合学习方案中的同步全局聚合和异步本地培训。PermiDAG具有分区容忍性，这意味着部分节点也可以有效地运行区块链。此外，通过让车辆仅存储本地DAG并让RSU存储许可的区块链来提高存储效率。

总结
在本文中，我们解决了IoV中车辆之间的数据共享的边缘问题。我们首先提出了一种混合区块链机制，其中包括IoV中的许可区块链和本地DAG。基于混合区块链机制，我们提出了异步联合学习方案，并通过使用DRL选择优化的参与节点进一步提高了学习效率。通过将学习参数集成到区块链中，可以通过两阶段验证进一步验证学习模型的质量。