[論文レビュー] Blockchain as a Service for Multi-Access Edge Computing: A Deep Reinforcement Learning Approach

Dinh C. Nguyen, Pubudu N. Pathirana+2 more|arXiv (Cornell University)|Dec 15, 2019

Blockchain Technology Applications and Security被引用数 5

ひとこと要約

本稿では、マルチアクセスエッジコンピューティング（MEC）向けに、セキュアで透明性のあるリソース取引を実現するスマートコントラクトを統合したブロックチェーン・インフラとしてのサービス（BaaS）アーキテクチャを提案する。さらに、深層強化学習（DRL）を用いた計算オフロードとブロックチェーンマイニングの共同最適化も実現している。提案手法の二重DQNアルゴリズムは、ベースラインと比較して高いシステム効用、低い実行コスト、短い遅延を達成しており、スマートコントラクトの運用コストも低く抑えられており、実運用における実現可能性と効率性を示している。

ABSTRACT

Recently, blockchain has gained momentum in the academic community thanks to its decentralization, immutability, transparency and security. As an emerging paradigm, Multi-access Edge Computing (MEC) has been widely used to provide computation and storage resources to mobile user equipments (UE) at the edge of the network for improving the performance of mobile applications. In this paper, we propose a novel blockchain-based MEC architecture where UEs can offload their computation tasks to the MEC servers. In particular, a blockchain network is deployed and hosted on the MEC platform as Blockchain as a Service (BaaS) that supports smart contract-based resource trading and transaction mining services for mobile task offloading. To enhance the performance of the blockchain-empowered MEC system, we propose a joint scheme of computation offloading and blockchain mining. Accordingly, an optimization problem is formulated to maximize edge service revenue and blockchain mining reward while minimizing the service computation latency with respect to constraints of user service demands and hash power resource. We then propose a novel Deep Reinforcement Learning (DRL) approach using a double deep Q-network (DQN) algorithm to solve the proposed problem. Numerical results demonstrate that the proposed scheme outperforms the other baseline methods in terms of better system utility with computational efficiency. Experiment results also verify that the trading contract design is efficient with low operation cost, showing the feasibility of the proposed scheme.

研究の動機と目的

• 中央集権的な仲介者を排除することで、MECオフロードにおけるセキュリティと信頼性の課題を解決すること。
• MECにおける不公平なリソース配分と低サービス可用性の問題を解消し、透明性がありスマートコントラクト駆動のリソース取引を可能にすること。
• エッジサービス収益とマイニング報酬を最大化し、遅延を最小化するため、計算オフロードとブロックチェーンマイニングを共同で最適化すること。
• 動的なマルチユーザーMEC環境における計算複雑性と運用コストを低減するため、新規のDRLベースの意思決定フレームワークを構築すること。

提案手法

• MECプラットフォーム上にブロックチェーンネットワークを展開し、ブロックチェーンとしてのサービス（BaaS）を提供することで、分散型トランザクション管理とレーダーレジストリサービスを実現する。
• ユーザー設備（UE）とMECサーバー間のリソース取引を自動化・強化するためにスマートコントラクトを実装し、契約作成および支払い実行の機能を備える。
• ユーザー需要とハッシュパワー制約の下で、エッジサービス収益、マイニング報酬、計算遅延をバランスさせることでシステム効用を最大化するための共同最適化問題を定式化する。
• 高次元かつ動的な意思決定空間におけるユーザー選択とリソース割り当てをリアルタイムで最適化するため、二重ディープQネットワーク（DQN）アルゴリズムを設計する。
• DRLエージェントは、ユーザー需要、利用可能なMECリソース、ブロックチェーンマイニングの進行状況といった状態観測値から学習し、最適なオフロードおよびマイニング意思決定を下す。
• 信頼性の高いマイナー参加を促進し、トランザクションの確認速度を向上させるために、レピュテーションメカニズムを統合する。

実験結果

リサーチクエスチョン

• RQ1 ブロックチェーンベースのスマートコントラクトは、マルチアクセスエッジコンピューティング環境において、どのようにしてセキュアで透明性があり自動化されたリソース取引を可能にするか？
• RQ2 リソース制約と遅延制約の下で、システム効用を最大化する最適な計算オフロードとブロックチェーンマイニングの共同戦略は何か？
• RQ3 深層強化学習アプローチは、マルチユーザーMEC環境におけるユーザー選択とリソース割り当ての高次元かつ動的な意思決定空間を効果的に処理できるか？
• RQ4 提案されたDRL方式は、従来の最適化手法やベースラインRL手法と比較して、性能および計算効率の面でどのように優れているか？
• RQ5 ブロックチェーンを活用したMECシステムにおいて、リソース取引用スマートコントラクトを実装する際の実運用コストはどの程度か？

主な発見

• 提案されたDRL方式は、GA、古典的DRL、RLベースラインと比較して顕著に高いシステム効用を達成しており、変動するユーザー負荷下で15～20%の効用向上を実現した。
• 提案されたDRLアルゴリズムは、古典的DRLアプローチと比較して、実行コスト（ECL）を最大18%、実行遅延を最大25%まで低減し、計算複雑性が低いことを示した。
• システムは最小限の計算オーバーヘッドで運用され、ユーザー数10、20、30の各状況におけるECL値はそれぞれ53.42、74.09、99.05であり、すべてのベースラインを上回った。
• スマートコントラクトの運用コストは低く抑えられており、5ユーザーの場合の合計コストは0.0815エーテル（約15.90米ドル）であり、1ユーザーあたり約3.17米ドルにとどまり、実用的な実現可能性を裏付けた。
• ブロックサイズが大きくなるに従いシステム効用が上昇し、提案されたDRL方式は図7に示すように、全テストブロックサイズにおいて優れた性能を維持した。
• レピュテーションメカニズムによりマイニング効率が向上し、確認遅延が短縮され、ブロックチェーンレイヤーにおけるトランザクションスループットが向上した。