[論文レビュー] Blockchain-based Federated Learning for Industrial Metaverses: Incentive Scheme with Optimal AoI

Jiawen Kang, Dongdong Ye+7 more|arXiv (Cornell University)|Jun 15, 2022

Privacy-Preserving Technologies in Data被引用数 7

ひとこと要約

本稿では、物理的空間と仮想空間の両方におけるプライバシー保護型データ訓練を保証する、クロスチェーンブロックチェーンを活用したフェデレーテッドラーニングフレームワークを提案する。年齢情報（AoI）を新鮮さの指標として統合し、AoIに基づく契約モデルを設計することで、IIoTノードが新鮮なデータを提供するようインcentivizeする。これにより、分散型産業AIシステムにおけるデータ新鮮さ、プライバシー、参加者利便性の最適なトレードオフを達成する。

ABSTRACT

The emerging industrial metaverses realize the mapping and expanding operations of physical industry into virtual space for significantly upgrading intelligent manufacturing. The industrial metaverses obtain data from various production and operation lines by Industrial Internet of Things (IIoT), and thus conduct effective data analysis and decision-making, thereby enhancing the production efficiency of the physical space, reducing operating costs, and maximizing commercial value. However, there still exist bottlenecks when integrating metaverses into IIoT, such as the privacy leakage of sensitive data with commercial secrets, IIoT sensing data freshness, and incentives for sharing these data. In this paper, we design a user-defined privacy-preserving framework with decentralized federated learning for the industrial metaverses. To further improve privacy protection of industrial metaverse, a cross-chain empowered federated learning framework is further utilized to perform decentralized, secure, and privacy-preserving data training on both physical and virtual spaces through a hierarchical blockchain architecture with a main chain and multiple subchains. Moreover, we introduce the age of information as the data freshness metric and thus design an age-based contract model to motivate data sensing among IIoT nodes. Numerical results indicate the efficiency of the proposed framework and incentive mechanism in the industrial metaverses.

研究の動機と目的

• IIoTノードが機密な運用データを共有する産業メタバースにおいて、プライバシー漏洩のリスクに対処すること。
• 年齢情報（AoI）を主要指標として用いることで、産業メタバースにおける時間的に敏感なAIサービスのためのデータ新鮮さを確保すること。
• エネルギー制約がある中でも、新鮮なデータ提供を促す実用的なインcentiveメカニズムを設計すること。
• クロスチェーンブロックチェーンアーキテクチャを用いて、物理的および仮想的産業空間における分散型で安全かつプライバシー保護型のモデル学習を可能にすること。
• 情報非対称性下でのコントラクト理論を用いて、データ新鮮さ（AoI）、サービス遅延、参加者利便性のトレードオフを最適化すること。

提案手法

• 主チェーンと複数のサブチェーンを有する階層的ブロックチェーンアーキテクチャを用い、産業メタバースにおけるモデル学習の分散化とデータプライバシーの強化を実現する。
• クロスチェーン技術により、物理的空間と仮想的空間の間で安全かつ相互運用可能なデータ交換を可能にし、データ所有権と機密性を維持する。
• フェデレーテッドラーニングを用いて、生データの移転を伴わせることなくIIoTデータ上でAIモデルを学習させ、ユーザー定義のプライバシー保護を実現する。
• コントラクト理論を用いて、データ新鮮さ（AoI）と信頼性に基づきIIoTノードをインcentivizeする年齢ベースの契約モデルを設計する。
• サービスプロバイダーのAoI最小化と遅延最小化のトレードオフを調整するための好み要因（α）をモデルに組み込む。
• 数値評価では、PySyftとFisco Bcosブロックチェーンに加え、WeCrossクロスチェーンプラットフォームを用いて、情報非対称性下でのインcentiveメカニズムをシミュレートする。

実験結果

リサーチクエスチョン

• RQ1 IIoTノードがAI学習のためのセンシングデータを共有する際、産業メタバースでどのようにデータプライバシーを保護できるか？
• RQ2 時間的に重要な産業AIアプリケーションにおけるデータ新鮮さを確保するために、年齢情報（AoI）はどのような役割を果たすか？
• RQ3 エネルギー制約やプライバシー制約がある中でも、新鮮なデータ提供を促すインcentiveメカニズムはどのように設計できるか？
• RQ4 分散型産業メタバースにおいて、データ新鮮さ（AoI）、サービス遅延、参加者利便性の最適なバランスは何か？
• RQ5 情報非対称性下での提案された契約モデルは、完全情報または社会的福祉最大化の代替手法と比較して、どのように性能を示すか？

主な発見

• 情報非対称性下での契約ベースのインcentiveメカニズム（CA）は、社会的福祉最大化（CS）メカニズムよりもサービスプロバイダーの利便性が高く、かつ完全情報（CC）ベンチマークよりも労働者の利便性が優れている。
• 労働者のタイプ（すなわち、データコスト）が高くなるにつれて、利便性が向上し、各労働者は自身のタイプに合った契約アイテムを選択する。これはインcentive適合性（IC）および個人的合理性（IR）条件の妥当性を裏付けている。
• サービスプロバイダーにとって最適な期間パラメータ $ a $ が存在し、$ a $ が増加するにつれて利便性は最初上昇し、その後減少する。これは更新頻度とコストのトレードオフを示している。
• 好み要因 $ \alpha $ を増加させると、更新サイクルが増加し、報酬も上昇し、$ K - \overline{A}_n > H - \overline{D}_n $ の条件下では、労働者およびサービスプロバイダーの両方の利便性が向上する。
• 有利な条件下では、サービスプロバイダーの利便性は $ \alpha $ に対して線形に増加する。これはパrameterチューニングによるインcentiveメカニズムの制御可能性を示している。
• 数値結果により、フレームワークが産業メタバース応用においてプライバシー、データ新鮮さ、経済的インcentiveのバランスを効率的に達成できることを確認した。