论文信息

DOI: 10.1109/TCOMM.2020.2990686

1.摘要

• 作者提出了基于区块链的联邦学习（BFL），用于隐私感知和高效的车辆通信网络。其中自动驾驶车辆车载机器学习（oVML）模型更新以分布式进行交换和验证。（与相邻车辆进行数据交易）
• 奖励机制。
• 开发了一个数学框架：以可控网络和BFL参数（如：重传限制、块大小、块生成率、帧大小）为特征，以便捕捉它们对系统级性能的影响。
• 量化了端到端延迟。

2.背景

新一代无线网络更可靠，即将满足自动驾驶车辆的实时通信的需要。自动驾驶汽车很多，传统的云方法风险较大（高延迟、基于云的学习方法较慢，GFL训练完成的延迟约为10分钟），而自动驾驶要求低延迟。

车辆之间的数据交易应保证原始数据对其他相邻车辆的私密性。

传统FL的局限性：

（1）对中心服务器依赖性太大。

（2） 设备可信度。没有激励机制，本地设备不主动参与训练。

3.本文贡献

（1）提出BFL，用区块链代替中心服务器。

（2）对端对端延迟做了数学分析。

（3）构建了一个类似的车载网络模型，将无线信道和链路特性的复杂交互与蜂窝网络的详细传输机制相结合，成功测量了对BFL的影响。做了大量的数值和模拟实验，以评估在不同网络场景和信道条件下提出的框架。

（4）由于自动驾驶车辆网络设置的实时变化（车辆数量、矿工、无线信道条件等），作者设计了一种在线算法，用于在现实网络条件下使系统延迟最小。该算法连续监控系统延迟与目标值的偏差，并调整块生成率以确保最小的总延迟，并能有效应对动态网络。

4.BFL模型详述

4.1 模型概述

上图是自动驾驶汽车与矿工组成的BFL框架的抽象图。

矿工在物理上是可以移动的车辆，也可以是网络边缘的独立节点（如蜂窝基站）。车辆和矿工使用统一随机方法，互相信任，匿名联系。这样的好处有：

（1）减少了固定连接中的恶意攻击。

（2）激励机制。不用对它们的诚实做假设。

（3）更容易使BFL中的车辆形成代表性的组。

（4）it allows the global model and findings to apply to the entire BFL System.（这句没太理解）

上图中的交互解释如下。

每个oVML执行本地学习，并将本地模型更新发送到网络中与其相关联的矿工那里；所有矿工交换并验证它们所有的本地模型更新，然后执行PoW。当矿工完成其PoW时，他通过记录经验证的本地模型更新 来生成一个块。最后，块被插入到区块链的分布式账本中。然后，所有相关车辆都可以使用这个新插入的块来计算所需的全局模型更新。

网络系统能够交换车辆的本地模型，同时提供验证及相应的奖励。

每辆车的全局模型更新是在本地计算的，但会产生额外的延迟（由于区块链）。

4.2模型问题与解决

本文解决的时一个并行回归问题。

是网络中的所有设备。

训练目标：对于一个全局向量 ，，其中

解的思想是通过随机梯度算法在每个oVML处执行局部训练，随后是通过分布式牛顿法聚集更新的全局训练。在每个阶段，oVML局部模型在每次迭代后更新如下：

其中，

【几点说明】

1. 分类账中的每个模块由两个部分组成：header，body.

header中包含3个参数：1）指向前一个块的指针，2）块生成率，3）PoW结果。

body中包含：1）本地计算延迟，2）本地更新.

2. 本文中，forking的主要因素：1）块生成率，2）快传播延迟。

3. 奖励机制。

（1）数据奖励。向车辆提供数据样本奖励。（奖励与本地数据样本的大小成正比）

（2）挖矿奖励。向胜利矿工提供块验证过程奖励。（奖励与矿工贡献的采矿能力成正比，矿工的采矿能力是由与其相关联的oVML的有用数据样本的集合决定的）

【注】1）使用的PoW来做工作量证明。作者说用拜占庭容错和BFL的厉害关系证明有点太“过于简单”，这可能需要更复杂的计算和序言来在矿工中达成一致。

2）通用、宝马 等已经开始使用区块链作为它们和其他制造商之间共享自动驾驶汽车数据的一种方式。

5.延迟分析

计算 工作证明、通信和计算延迟。分析端到端总延迟，通过动态调整块生成率来最小化系统的整体感知延迟。

XX.结论

• BFL有效。
• 端对端延迟，推导出了最优的块生成率。
• 一种基于使用分析的优化方法在省略特定的模型细节和考虑关键系统特征之间取得了良好的平衡。

XX.未来潜在研究方向

（1）考虑到用于分布式学习的自动驾驶汽车的自动特征，开发复杂的移动模型。

（2）验证训练期间隐私泄露的风险分析和解决办法的设计。

（3）超可靠低延迟应用的基于上下文感知集成（和鲁棒）分布式学习的区块链系统的研究。

【未完待续………………】