[논문 리뷰] Secure and Efficient Blockchain based Knowledge Sharing for Intelligent Connected Vehicles

Haoye Chai, Supeng Leng외 2명|arXiv (Cornell University)|2021. 08. 03.

Blockchain Technology Applications and Security인용 수 4

한 줄 요약

이 논문은 자율 주행을 위한 기계 학습 모델의 지역 간, 마이크로 거래 기반 공유를 가능하게 하는 안전하고 효율적인 DAG 블록체인 기반 지식 공유 프레임워크를 제안한다. 이는 합의 및 신원 검증을 위한 경량 RTH-Tip 선택 알고리즘(RTH-TSA)과 통신 오버헤드를 줄이고 모델 정확도를 향상시키는 적응형 비동기 분산 학습(ADL) 기법을 도입하여, 기준 방법 대비 20% 감소한 주행 위반율과 악성 공격 상황에서 30% 낮은 손실을 달성한다.

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.

연구 동기 및 목표

• 복잡한 주행 환경에 직면한 데이터 기반 ICV에서의 종합적 지식 부족과 보안 취약점을 해결하기 위해.
• 동적 차량 네트워크에서의 중심 집중형 관리 및 동기 학습의 한계를 극복하기 위해.
• 블록체인과 비동기 학습을 활용해 ICV 간 안전하고 탈중앙화되며 효율적인 지식 공유를 가능하게 하기 위해.
• 운전 행동 지표를 기반으로 한 적응형 모델 집합을 통해 통신 비용을 줄이고 모델 정확도를 향상시키기 위해.
• 블록체인 기반 검증 및 합의 메커니즘을 통합해 악성 사용자에 대한 내성적 저항력을 확보하기 위해.

제안 방법

• 모든 거래(사이트)가 지식의 마이크로 거래를 나타내는 DAG 블록체인 프레임워크를 설계하여 마이닝 오버헤드를 제거하고 경량 합의를 가능하게 한다.
• 신뢰도와 신뢰 기반 히우리스틱을 사용해 검증 대상 히트를 선택하는 RTH-Tip 선택 알고리즘(RTH-TSA)을 제안하여 지역 간 신속한 신원 인증을 실현한다.
• 신규 사이트가 이전 사이트를 검증하는 DAG 아키텍처 기반 경량 합의 메커니즘을 통합하여 확장성과 실시간 성능을 향상시킨다.
• 지속적으로 업데이트되는 로컬 모델의 신선도와 운전 행동 지표를 기반으로 가중치를 동적으로 조정하는 적응형 비동기 분산 학습(ADL) 기법을 개발하여 글로벌 모델 정확도를 향상시킨다.
• 악성 지식을 걸러내기 위해 검증 규칙 $ e \leq \epsilon $ 를 적용하여 레지스트리에 정당한 모델만 추가되도록 보장한다.
• 운전 스타일 지표를 사용해 이질적인 행동을 보이는 ICV를 식별하고 선택적으로 포함하거나 제외하여 통신 비용을 최소화하면서도 모델 품질을 유지한다.

실험 결과

연구 질문

• RQ1 높은 동적성과 탈중앙화를 특징으로 하는 차량 네트워크에서 ICV에 대한 안전하고 효율적인 지식 공유 프레임워크를 어떻게 설계할 수 있는가?
• RQ2 마이닝에 의존하지 않고 지역 간 마이크로 거래 기반 지식 공유 환경에서 합의 및 신원 검증을 보장할 수 있는 메커니즘은 무엇인가?
• RQ3 비동기 분산 학습은 어떻게 조정되어야 하며, ICV 환경에서 통신 오버헤드를 줄이고 모델 정확도를 유지하거나 향상시킬 수 있는가?
• RQ4 모델의 신선도와 운전 행동 지표는 ICV 학습 시스템에서 집합된 지식의 품질을 얼마나 향상시킬 수 있는가?
• RQ5 편향되거나 위조된 지식의 주입과 같은 악성 공격에 대해 제안된 프레임워크는 얼마나 효과적인가?

주요 결과

• 제안된 ADL 기법은 FedAve 및 cook-AD 알고리즘 대비 주행 위반율을 20% 이상 감소시켜 안전성 향상을 입증했다.
• 제안된 ADL의 모델 손실은 중심 집중 학습 기준선과 매우 유사하여, 비동기 업데이트 상황에서도 높은 글로벌 모델 정확도를 확보했다.
• 기준 시스템 대비 공격 상황에서 손실 함수 값의 평균 30% 감소를 기록하여 강력한 내성적 저항력을 입증했다.
• 매우 이질적인 운전 행동 지표를 보이는 ICV(예: $ m_3 $-유형)를 제외함으로써 통신 비용을 줄일 수 있었으며, 일부 모델은 유지함으로써 모델 품질에 심각한 영향을 주지 않았다.
• RTH-TSA는 지역 간 신속한 합의 및 신원 검증을 가능하게 하여 동적 차량 네트워크에서 실시간 지식 공유를 지원했다.
• 비동기적 ICV 기여와 비록 이질적이지만 실시간 모델 집합을 통해 적응형 ADL 기법은 동기 방법보다 더 빠른 수렴을 달성했다.