[論文レビュー] Secure and Efficient Blockchain based Knowledge Sharing for Intelligent Connected Vehicles

Haoye Chai, Supeng Leng+2 more|arXiv (Cornell University)|Aug 3, 2021

Blockchain Technology Applications and Security被引用数 4

ひとこと要約

本稿では、自律走行のための機械学習モデルのクロスリージョン・マイクロトランザクション駆動型共有を可能にする、安全で効率的なDAGブロックチェーンベースの知識共有フレームワークを提案する。コンSENSUSとアイデンティティ認証のための軽量なRTH-Tip選択アルゴリズム（RTH-TSA）を導入し、通信オーバーヘッドを低減しながらモデル精度を向上させる、適応的非同期分散学習（ADL）方式を提案。これにより、ベースライン手法と比較して、走行違反率が20%削減され、悪意ある攻撃下でも30%低い損失が達成された。

ABSTRACT

The emergence of Intelligent Connected Vehicles (ICVs) shows great potential for future intelligent traffic systems, enhancing both traffic safety and road efficiency. However, the ICVs relying on data driven perception and driving models face many challenges, including the lack of comprehensive knowledge to deal with complicated driving context. In this paper, we are motivated to investigate cooperative knowledge sharing for ICVs. We propose a secure and efficient directed acyclic graph (DAG) blockchain based knowledge sharing framework, aiming to cater for the micro-transaction based vehicular networks. The framework can realize both local and cross-regional knowledge sharing. Then, the framework is applied to autonomous driving applications, wherein machine learning based models for autonomous driving control can be shared. A lightweight tip selection algorithm (TSA) is proposed for the DAG based knowledge sharing framework to achieve consensus and identity verification for cross-regional vehicles. To enhance model accuracy as well as minimizing bandwidth consumption, an adaptive asynchronous distributed learning (ADL) based scheme is proposed for model uploading and downloading. Experiment results show that the blockchain based knowledge sharing is secure, and it can resist attacks from malicious users. In addition, the proposed adaptive ADL scheme can enhance driving safety related performance compared to several existing algorithms.

研究の動機と目的

• 複雑な走行シナリオに直面するデータドリブンICVにおける包括的知識の欠如とセキュリティ脆弱性を解消すること。
• 動的で車両ネットワークにおける中央集権的管理と同期学習の限界を克服すること。
• ブロックチェーンと非同期学習を活用して、ICV間での安全で分散型かつ効率的な知識共有を実現すること。
• 走行行動指標に基づく適応的モデル集約を通じて、通信コストを低減し、モデル精度を向上させること。
• ブロックチェーンベースの検証とコンセンサスメカニズムを統合することで、悪意あるユーザーに対するレジリエンスを確保すること。

提案手法

• 各トランザクション（サイト）が知識のマイクロトランザクションを表すDAGブロックチェーンフレームワークを設計し、マイニングのオーバーヘッドを排除し、軽量なコンセンサスを実現する。
• 評価と信頼に基づくヒューリスティックを用いて、検証対象のチップを選択するRTH-Tip選択アルゴリズム（RTH-TSA）を提案し、高速なクロスリージョンアイデンティティ認証を実現する。
• DAG構造に基づく軽量なコンセンサスメカニズムを統合し、新しいサイトが以前のものを検証することで、スケーラビリティとリアルタイムパフォーマンスを向上させる。
• 走行の新鮮さと走行行動指標に基づいてローカルモデルの重みを動的に調整する、適応的非同期分散学習（ADL）方式を開発し、グローバルモデルの精度を向上させる。
• 悪意ある知識を除外するために、検証ルール $ e \leq \epsilon $ を適用し、正当なモデルのみがレジャーレコードに追加されるように保証する。
• 走行スタイル指標を用いて、逸脱した行動を示すICVを特定し、選択的に含める・除外する処理を実施し、通信コストを低減しながらモデル品質を維持する。

実験結果

リサーチクエスチョン

• RQ1 どのようにして、非常に動的で分散型の車両ネットワークにおけるICV向けに、安全で効率的な知識共有フレームワークを設計できるか？
• RQ2 マイニングに依存せずに、クロスリージョンでマイクロトランザクションベースの知識共有におけるコンセンサスとアイデンティティ認証を保証するメカニズムは何か？
• RQ3 非同期分散学習は、通信オーバーヘッドを低減しながら、ICV環境におけるモデル精度を維持または向上させるためにどのように適応できるか？
• RQ4 モデルの新鮮さと走行行動指標は、ICV学習システムにおける集約知識の質をどの程度向上させ得るか？
• RQ5 提案されたフレームワークは、バイアスや偽造知識のインジェクションといった悪意ある攻撃に対して、どの程度効果的に耐性を示すか？

主な発見

• 提案されたADL方式は、FedAveおよびcook-ADアルゴリズムと比較して、走行違反率が20%以上削減され、安全性の向上が実証された。
• 提案されたADLのモデル損失は、中央集権的学習のベースラインに非常に近かったことから、非同期更新にもかかわらず高いグローバルモデル精度を示した。
• フレームワークは、悪意ある攻撃下で平均して30%低い損失関数値を達成し、強力なレジリエンスを証明した。
• 走行行動指標が著しく逸脱しているICV（例：$ m_3 $-型）を除外することで、通信コストを低減できたが、一部のこうしたモデルが保持されていれば、モデル品質に著しい劣化は生じなかった。
• RTH-TSAにより、地域間で高速なコンセンサスとアイデンティティ認証が実現され、動的で変化し続ける車両ネットワークにおけるリアルタイム知識共有を支援した。
• 適応的ADL方式は、非同期かつ異種のICVからの寄与であっても、リアルタイムでのモデル集約が可能であり、同期手法よりも速やかに収束した。