[논문 리뷰] Blockchain-based Federated Learning for Industrial Metaverses: Incentive Scheme with Optimal AoI

Jiawen Kang, Dongdong Ye외 7명|arXiv (Cornell University)|2022. 06. 15.

Privacy-Preserving Technologies in Data인용 수 7

한 줄 요약

이 논문은 물리적 및 가상 공간 간의 기밀 보장 데이터 훈련을 보장하는 크로스체인 블록체인 기반 연합 학습 프레임워크를 제안한다. 정보의 나이(AoI)를 신선도 지표로 통합하고 AoI 기반 계약 모델을 설계하여 IIoT 노드가 최신 데이터 기여하도록 유인함으로써 탈중앙화된 산업 AI 시스템에서 데이터의 최신성, 기밀성, 참가자 유틸리티 간 최적의 트레이드오프를 달성한다.

ABSTRACT

The emerging industrial metaverses realize the mapping and expanding operations of physical industry into virtual space for significantly upgrading intelligent manufacturing. The industrial metaverses obtain data from various production and operation lines by Industrial Internet of Things (IIoT), and thus conduct effective data analysis and decision-making, thereby enhancing the production efficiency of the physical space, reducing operating costs, and maximizing commercial value. However, there still exist bottlenecks when integrating metaverses into IIoT, such as the privacy leakage of sensitive data with commercial secrets, IIoT sensing data freshness, and incentives for sharing these data. In this paper, we design a user-defined privacy-preserving framework with decentralized federated learning for the industrial metaverses. To further improve privacy protection of industrial metaverse, a cross-chain empowered federated learning framework is further utilized to perform decentralized, secure, and privacy-preserving data training on both physical and virtual spaces through a hierarchical blockchain architecture with a main chain and multiple subchains. Moreover, we introduce the age of information as the data freshness metric and thus design an age-based contract model to motivate data sensing among IIoT nodes. Numerical results indicate the efficiency of the proposed framework and incentive mechanism in the industrial metaverses.

연구 동기 및 목표

• IIoT 노드가 민감한 운영 데이터를 공유하는 산업 메타버스에서 기밀 泄露 위험을 해결하기 위해.
• 정보의 나이(AoI)를 핵심 지표로 사용하여 시급한 AI 서비스에 적합한 데이터 최신성을 확보하기 위해.
• 에너지 제약에도 불구하고 최신 데이터 기여를 유도하기 위한 실용적인 인센티브 메커니즘을 설계하기 위해.
• 크로스체인 블록체인 아키텍처를 활용하여 물리적 및 가상 산업 공간 간의 탈중앙화되고 안전하며 기밀 보장된 모델 훈련을 가능하게 하기 위해.
• 정보 비대칭 조건 하에서 계약 이론을 적용하여 데이터 최신성(AoI), 서비스 지연, 참가자 유틸리티 간의 트레이드오프를 최적화하기 위해.

제안 방법

• 주체인 메인 체인과 다수의 서브체인을 포함하는 계층적 블록체인 아키텍처를 사용하여 산업 메타버스에서 모델 훈련의 탈중앙화와 데이터 기밀성 향상을 달성한다.
• 크로스체인 기술을 통해 물리적 및 가상 공간 간에 안전하고 상호운용 가능한 데이터 교환을 가능하게 하며, 데이터 소유권과 기밀성을 유지한다.
• 원시 데이터를 이동시키지 않고 IIoT 데이터에서 AI 모델을 훈련하기 위해 연합 학습을 적용하여 사용자 정의 기반의 기밀 보장 훈련을 보장한다.
• 계약 이론을 활용해 정보의 나이(AoI)와 신뢰성에 기반해 IIoT 노드의 데이터 최신성에 따라 보상을 제공하는 연령 기반 계약 모델을 설계한다.
• 서비스 제공자가 AoI 최소화와 지연 최소화 사이의 균형을 맞추기 위해 선호도 요소(α)를 도입한다.
• 수치적 평가에서는 PySyft와 Fisco Bcos 블록체인을 사용하고 WeCross 크로스체인 플랫폼을 통해 정보 비대칭 조건 하에서의 인센티브 메커니즘을 시뮬레이션한다.

실험 결과

연구 질문

• RQ1 IIoT 노드가 AI 훈련을 위해 센서 데이터를 공유할 때 산업 메타버스에서 기밀 보장을 어떻게 유지할 수 있는가?
• RQ2 정보의 나이(AoI)는 실시간이 필요한 산업 AI 응용 분야에서 데이터 최신성을 확보하는 데 어떤 역할을 하는가?
• RQ3 에너지 및 기밀 제약 조건에도 불구하고 최신 데이터 기여를 유도하기 위한 인센티브 메커니즘은 어떻게 설계할 수 있는가?
• RQ4 탈중앙화된 산업 메타버스에서 데이터 최신성(AoI), 서비스 지연, 참가자 유틸리티 간의 최적 균형은 무엇인가?
• RQ5 정보 비대칭 조건에서 제안된 계약 모델은 완전 정보 또는 사회적 복지 최적화 대안에 비해 어떻게 성능을 발휘하는가?

주요 결과

• 정보 비대칭 조건 하에서의 계약 기반 인센티브 메커니즘(CA)은 완전 정보 기반 기준(CC) 보다도 서비스 제공자의 유틸리티를 더 높이며, 사회복지 최적화(CS) 기반 메커니즘보다도 노동자 유틸리티를 더 높게 유지한다.
• 노동자 유틸리티는 그들의 유형(즉, 데이터 비용)이 증가함에 따라 증가하며, 각 노동자는 자신의 유형에 맞는 계약 항목을 선택함으로써 인센티브 호환성(IC) 및 개인 합리성(IR) 조건을 검증한다.
• 서비스 제공자에게 최적의 기간 파라미터 $ a $ 가 존재하며, $ a $ 가 증가함에 따라 유틸리티는 처음에는 증가하다가 감소함을 보여주며, 업데이트 빈도와 비용 간의 트레이드오프를 나타낸다.
• 선호도 요소 $ \alpha $ 를 증가시키면 업데이트 사이클 수가 늘어나 보상도 증가하여 $ K - \overline{A}_n > H - \overline{D}_n $ 조건에서 노동자와 서비스 제공자 모두의 유틸리티가 향상된다.
• 유리한 조건 하에서 서비스 제공자의 유틸리티는 $ \alpha $ 와 선형적으로 증가함을 보여주며, 파rameter 조정을 통한 인센티브 메커니즘의 제어 가능성(가변성)을 입증한다.
• 수치적 결과는 이 프레임워크가 산업 메타버스 응용 분야에서 기밀성, 데이터 최신성, 경제적 인센티브 간의 균형을 효율적으로 달성할 수 있음을 확인한다.