[논문 리뷰] Blockchain as a Service for Multi-Access Edge Computing: A Deep Reinforcement Learning Approach

Dinh C. Nguyen, Pubudu N. Pathirana외 2명|arXiv (Cornell University)|2019. 12. 15.

Blockchain Technology Applications and Security인용 수 5

한 줄 요약

이 논문은 다중접근 엣지 컴퓨팅(MEC)를 위한 블록체인 기반 서비스(BaaS) 아키텍처를 제안하며, 보안성과 투명성을 확보하기 위해 스마트 계약을 통합하고, 딥 강화학습(DRL) 기반의 병렬 최적화를 통해 계산 이행 및 블록체인 마이닝을 동시에 최적화한다. 제안된 더블 DQN 알고리즘은 기준선 대비 높은 시스템 유틸리티, 낮은 실행 비용, 감소된 지연 시간을 달성하며, 낮은 스마트 계약 운영 비용을 통해 실세계 구현 가능성과 효율성을 입증한다.

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.

연구 동기 및 목표

• 중앙 집중식 중개자 대체를 통해 MEC 이행에서의 보안성 및 신뢰 문제를 해결하기 위해 분산형 블록체인 기반 시스템을 도입한다.
• 투명하고 스마트 계약 기반의 자원 거래를 통해 MEC 환경에서의 불공정한 자원 할당과 낮은 서비스 가용성 문제를 해결한다.
• 에지 서비스 수익과 마이닝 보상은 극대화하고 지연 시간은 최소화하면서 계산 이행과 블록체인 마이닝을 병렬 최적화한다.
• 새로운 DRL 기반 의사결정 프레임워크를 통해 동적 다중 사용자 MEC 환경에서의 계산 복잡도와 운영 비용을 감소시킨다.

제안 방법

• MEC 플랫폼에 블록체인 네트워크를 구축하여 블록체인 기반 서비스(BaaS)를 제공함으로써 분산형 거래 관리 및 레거시 서비스를 구현한다.
• 사용자 기기(UE)와 MEC 서버 간의 자원 거래를 자동화하고 보안화하기 위해 스마트 계약을 구현하며, 계약 생성 및 지급 실행 기능을 포함한다.
• 사용자 수요 및 해시 파워 제약 조건 하에 에지 서비스 수익, 마이닝 보상, 계산 지연 시간을 균형 있게 고려하여 시스템 유틸리티를 극대화하는 병렬 최적화 문제를 수립한다.
• 실시간으로 사용자 선택 및 자원 할당의 고차원적이고 동적인 의사결정 공간을 해결하기 위해 더블 딥 Q넷(DQN) 알고리즘을 설계한다.
• DRL 에이전트는 사용자 수요, 가용 MEC 자원, 블록체인 마이닝 진행 상황 등의 상태 관측치를 기반으로 최적의 이행 및 마이닝 결정을 내린다.
• 신뢰도 높은 마이너 참여를 유도하고 거래 확인 속도를 향상시키기 위해 신뢰도 메커니즘을 통합한다.

실험 결과

연구 질문

• RQ1 블록체인 기반 스마트 계약은 다중접근 엣지 컴퓨팅 환경에서 어떻게 보안성 있고 투명하며 자동화된 자원 거래를 가능하게 하는가?
• RQ2 자원 및 지연 시간 제약 조건 하에서 시스템 유틸리티를 극대화하는 최적의 병렬 전략은 무엇인가?
• RQ3 딥 강화학습 접근법은 다중 사용자 MEC 환경에서 사용자 선택 및 자원 할당의 고차원적이고 동적인 의사결정 공간을 효과적으로 다룰 수 있는가?
• RQ4 기존 최적화 기법 및 기준선 강화학습 방법에 비해 제안된 DRL 기반 기법은 성능 및 계산 효율성 측면에서 어떻게 비교되는가?
• RQ5 블록체인 기반 MEC 시스템에서 자원 거래를 위한 스마트 계약을 구현할 경우 실제 운영 비용은 얼마인가?

주요 결과

• 제안된 DRL 기법은 GA, 고전적 DRL, RL 기준선 대비 유의미하게 높은 시스템 유틸리티를 달성하며, 다양한 사용자 부하 조건에서 15~20%의 유틸리티 향상을 보였다.
• 제안된 DRL 알고리즘은 고전적 DRL 접근법 대비 실행 비용(ECL)을 최대 18% 감소시키고, 실행 지연 시간을 최대 25% 감소시켜 낮은 계산 복잡도를 입증했다.
• 시스템은 최소한의 계산 오버헤드를 기록하였으며, 사용자 수가 10, 20, 30인 경우 각각 ECL 값이 53.42, 74.09, 99.05로, 모든 기준선을 초월했다.
• 스마트 계약 운영 비용은 낮게 유지되었으며, 5명의 사용자에 대해 총 비용 0.0815 에더(~15.90달러) 또는 사용자당 약 3.17달러 수준이었고, 실용적 구현 가능성은 입증되었다.
• 블록 크기가 증가할수록 시스템 유틸리티가 증가하였으며, 제안된 DRL 기법은 그림 7에서 확인된 모든 테스트 블록 크기에서 뛰어난 성능 유지를 보였다.
• 신뢰도 메커니즘이 마이닝 효율성을 향상시켜 확인 지연 시간을 감소시키고 블록체인 계층의 거래 처리량을 향상시켰다.