[논문 리뷰] A Systematic Literature Review on Blockchain Enabled Federated Learning Framework for Internet of Vehicles

Mustain Billah, Sk. Tanzir Mehedi외 3명|arXiv (Cornell University)|2022. 03. 10.

Privacy-Preserving Technologies in Data인용 수 23

한 줄 요약

본 논문은 IoV를 위한 블록체인 기반 연합학습(BC-FL) 프레임워크를 조사하여 아키텍처, 도전과제, 솔루션 및 향후 연구 방향을 제시한다.

ABSTRACT

While the convergence of Artificial Intelligence (AI) techniques with improved information technology systems ensured enormous benefits to the Internet of Vehicles (IoVs) systems, it also introduced an increased amount of security and privacy threats. To ensure the security of IoVs data, privacy preservation methodologies have gained significant attention in the literature. However, these strategies also need specific adjustments and modifications to cope with the advances in IoVs design. In the interim, Federated Learning (FL) has been proven as an emerging idea to protect IoVs data privacy and security. On the other hand, Blockchain technology is showing prominent possibilities with secured, dispersed, and auditable data recording and sharing schemes. In this paper, we present a comprehensive survey on the application and implementation of Blockchain-Enabled Federated Learning frameworks for IoVs. Besides, probable issues, challenges, solutions, and future research directions for BC-Enabled FL frameworks for IoVs are also presented. This survey can further be used as the basis for developing modern BC-Enabled FL solutions to resolve different data privacy issues and scenarios of IoVs.

연구 동기 및 목표

• IoV에서의 블록체인과 연합학습의 수렴을 기존 FL 문제점에 비추어 조사한다.
• IoV에서 사용되는 BC-enabled FL 프레임워크와 아키텍처를 식별한다.
• IoV를 위한 BC-FL의 보안, 프라이버시 및 인센티브 메커니즘을 논의한다.
• 향후 BC-enabled FL 연구에서 남아 있는 도전과제를 강조하고 방향을 제시한다.

제안 방법

• FL의 기본 원리와 IoV 프라이버시/보안 요구사항을 검토한다.
• 블록체인 기반 FL 아키텍처와 IoV 응용 사례를 조사한다.
• BC-FL 프레임워크를 IoV 관점에서 분석하고 그 구성요소(RSUs, CA, MEC 등)를 검토한다.
• 응용 시나리오와 성능 고려사항을 논의한다.
• 도전과제, 해결책 및 향후 연구 방향을 종합한다.

실험 결과

연구 질문

• RQ1 IoV용으로 존재하는 BC-enabled FL 프레임워크는 무엇이며 어떤 아키텍처를 사용하는가?
• RQ2 BC와 FL은 IoV에서 프라이버시, 보안 및 인센티브 문제를 어떻게 해결하는가?
• RQ3 IoV에서 BC-enabled FL의 주요 도전과제와 제안된 해결책은 무엇인가?
• RQ4 IoV에서 BC-enabled FL를 위한 향후 연구 방향은 무엇으로 식별되는가?

주요 결과

• BC-FL 프레임워크는 IoV 학습 생태계에 분산된 인센티브와 향상된 보안을 제공합니다.
• IoV BC-FL 연구는 데이터 공유, 신뢰 관리 및 프라이버시 보장을 위한 계층적 및 DAG 기반 아키텍처를 다룹니다.
• 일반적인 도전과제에는 독성 데이터 공격(poisoning), 데이터 프라이버시, 통신 비용, 중앙 집중화된 조정의 부족이 있으며, 제안된 해결책으로는 차등 프라이버시, 보안적 집계 및 견고한 합의 메커니즘이 제시됩니다.
• 응용 분야는 트래픽 모니터링, 침해 탐지, 자율주행 지원 및 동적 맵 공유와 같은 ITS 과제를 포함합니다.
• 본 조사는 BC-enabled FL을 프라이버시 보장, 감사 가능성 및 확장 가능한 IoV AI 시스템의 기초적 접근으로 제시합니다.