[論文レビュー] Smart and Secure CAV Networks Empowered by AI-Enabled Blockchain: The Next Frontier for Intelligent Safe Driving Assessment

Le Xia, Yao Sun+4 more|arXiv (Cornell University)|Apr 9, 2021

Blockchain Technology Applications and Security参考文献 13被引用数 19

ひとこと要約

本論文は、リアルタイムでのドライブリスク評価に長短期記憶（LSTM）モデルを統合し、改ざん耐性のある分散型台帳技術（BFT-DPoSブロックチェーン）を用いてデータの信頼性とセキュリティを確保する、ブロックチェーンを活用したインテリジェントな安全運転評価フレームワーク（BEST）を提案する。本フレームワークは、大規模な悪意あるデータインジェクション下でも92.5–93.8%の精度を達成し、従来の集中型および非ブロックチェーン手法を上回る性能を示す。

ABSTRACT

Securing safe driving for connected and autonomous vehicles (CAVs) continues to be a widespread concern, despite various sophisticated functions delivered by artificial intelligence for in-vehicle devices. Diverse malicious network attacks are ubiquitous, along with the worldwide implementation of the Internet of Vehicles, which exposes a range of reliability and privacy threats for managing data in CAV networks. Combined with the fact that the capability of existing CAVs in handling intensive computation tasks is limited, this implies a need for designing an efficient assessment system to guarantee autonomous driving safety without compromising data security. In this article we propose a novel framework, namely Blockchain-enabled intElligent Safe-driving assessmenT (BEST), which offers a smart and reliable approach for conducting safe driving supervision while protecting vehicular information. Specifically, a promising solution that exploits a long short-term memory model is introduced to assess the safety level of the moving CAVs. Then we investigate how a distributed blockchain obtains adequate trustworthiness and robustness for CAV data by adopting a byzantine fault tolerance-based delegated proof-of-stake consensus mechanism. Simulation results demonstrate that our presented BEST gains better data credibility with a higher prediction accuracy for vehicular safety assessment when compared with existing schemes. Finally, we discuss several open challenges that need to be addressed in future CAV networks.

研究の動機と目的

• 連結自動運転車両（CAV）ネットワークにおける運転安全とデータセキュリティの二重的課題に対処すること。
• 集中型車両データ管理におけるGPSジャミングやデータ改ざんなどの悪意ある攻撃からのリスクを軽減すること。
• 動的で変化しやすいCAV環境において、データの真正性と整合性を保証する分散型で信頼性の高いシステムを設計すること。
• AI駆動のリスク予測とブロックチェーンベースのデータ履歴追跡を統合し、リアルタイムで安全な監視を実現すること。
• 敵対的状況下でも高い予測精度を維持できるスケーラブルで頑健なフレームワークを構築すること。

提案手法

• 時間的変動を示すドライブステータスデータをリアルタイムに分析するため、二層構造の長短期記憶（LSTM）ネットワークを用いて車両リスクインデックス（VRI）を予測する。
• 改ざん耐性のある委任型プルーフ・オブ・ステーク（BFT-DPoS）共通化メカニズムを備えたコンsortiumブロックチェーンを統合し、車両データの認証とセキュリティを確保する。
• モバイルエッジコンピューティング（MEC）を活用して計算タスクをオフロードし、データ処理および共通化処理における遅延を低減する。
• VRI分類のための交差エントロピー損失関数と、LSTMモデルにおける効率的な勾配更新のためのAdam最適化手法を適用する。
• RSUを介した共通化ルールを導入し、1秒のブロック生成間隔と8 MBのブロックサイズを設定することで、高速かつ信頼性の高いデータ記録を実現する。
• リアルタイムのCAVデータでの学習中に過学習を防ぐためにドロップアウト正則化を適用する。

実験結果

リサーチクエスチョン

• RQ1 CAVネットワークにおける悪意あるデータインジェクションに対して、AIベースのリスク予測をどのようにして耐性を持たせられるか。
• RQ2 ブロックチェーンベースの共通化メカニズムは、車両データにおける信頼性の向上と改ざん防止に、どの程度効果を発揮するか。
• RQ3 統合されたLSTM-ブロックチェーンフレームワークは、悪意あるCAVの数が増加しても高い予測精度を維持できるか。
• RQ4 本研究で提案するBESTフレームワークは、集中型および非ブロックチェーンベースの手法と比較して、精度と耐性の面でどの程度優れているか。
• RQ5 実社会の動的で複雑な都市交通環境にこのようなシステムを展開するにあたり、どのような主な課題が生じるか。

主な発見

• BESTフレームワークは、50回の学習イテレーション後、VRI予測損失が約0.2にまで低下し、深層ニューラルネットワーク（DNN）ベースのモデルを著しく上回る性能を示した。
• 50台の悪意あるCAVが偽のデータをインジェクションする状況下でも、ブロックチェーンが不正コンテンツを検出・排除できるため、BESTフレームワークは低損失を維持した。
• 悪意あるCAVの数が0から100に増加しても、VRI評価の精度は92.5–93.8%の範囲で安定しており、高い耐性を示した。
• 集中型手法では、悪意あるCAVの増加に伴い精度が急激に低下（85.6%未満）し、従来のアーキテクチャの脆弱性が顕在化した。
• ブロックチェーン統合手法は収束が早く、より高い耐性を示し、データセットの純度と予測信頼性の維持に有効であることが実証された。
• LSTMとブロックチェーンの統合により、高い予測精度とデータの改ざん不能性の両立が達成され、CAVにおけるリアルタイムの安全監視に適したシステムとなった。