1)提出了一种区块链DAG混合模型,它由一个主许可区块链(由路边单元RSU维护)和一个局部有向无环图(由车辆运行,以实现车辆间的数据共享)组成。
2)提出了一种异步联邦学习方案,挑选参与节点来提高效率,节点选择算法。
3)通过将学习的参数整合到区块链模型中,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。
引言
IOV中移动车辆产生大量不同的数据:轨迹、交通信息、多媒体信息等附加数据。高效利用数据,提升乘车体验。数据共享面临:
- 车辆之间的通信不可靠;
- 安全和隐私。
MEC(多访问边缘计算):设备到设备通信,实现边缘设备信息共享。安全问题没有解决。
区块链技术:路边单元维护联盟链,维护区块链产生额外的计算和通信。研究重点:消除AI和区块链整合的资源消耗。
联邦学习:分布式隐私保护边缘计算。局部训练,梯度下降优化算法,将参数送到服务器进行聚合。
车辆系统中的问题:
- 区块链计算效率
- 数据质量
- 联合学习的延迟,异构通信和计算
基于区块链异步联邦学习
车辆Vi:发出对于路况或者路径的请求。不诚实的,可能会提供恶意的本地模型。计算率和通信率。我们会量化模型的质量。
RSU和MBS基站节点。<