[论文解读] A Systematic Literature Review on Blockchain Enabled Federated Learning Framework for Internet of Vehicles

Mustain Billah, Sk. Tanzir Mehedi+3 more|arXiv (Cornell University)|Mar 10, 2022

Privacy-Preserving Technologies in Data被引用 23

一句话总结

本论文综述 Blockchain-Enabled Federated Learning (BC-FL) 框架在 IoV 中的应用，概述架构、挑战、解决方案及未来研究方向。

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.

研究动机与目标

• 在 IoV 中对区块链与联邦学习的融合进行综述，并结合现有 FL 挑战。
• 识别用于 IoV 的 BC-enabled FL 框架与体系结构。
• 讨论 BC-FL 在 IoV 中的安全性、隐私和激励机制。
• 突出尚存挑战并提出未来在 IoV 中的 BC-enabled FL 研究方向。

提出的方法

• 对FL基础与IoV的隐私/安全需求进行综述。
• 对区块链支持的FL架构及IoV应用进行调查。
• 分析现有面向IoV 的 BC-FL 框架及其组件（RSU、CA、MEC 等）。
• 讨论应用场景与性能考量。
• 综合挑战、解决方案及未来研究方向。

实验结果

研究问题

• RQ1 存在哪些用于 IoV 的 BC-enabled FL 框架？它们使用了哪些体系结构？
• RQ2 在 IoV 中，BC 与 FL 如何解决隐私、安全和激励问题？
• RQ3 IoV 中 BC-enabled FL 的主要挑战及提出的解决方案是什么？
• RQ4 为 IoV 的 BC-enabled FL 确定了哪些未来研究方向？

主要发现

• BC-FL 框架为 IoV 学习生态系统提供去中心化激励和增强的安全性。
• IoV 的 BC-FL 研究涵盖数据共享、信任管理以及基于分层和 DAG 的隐私保护训练架构。
• 常见挑战包括投毒攻击、数据隐私、通信开销以及缺乏集中协作；提出的解决方案包括差分隐私、安全聚合和稳健共识机制。
• 应用涵盖 ITS 任务，如交通监测、入侵检测、自动驾驶支持和动态地图共享。
• 该综述认为 BC-enabled FL 是面向隐私保护、可审计和可扩展的 IoV AI 系统的基础性方法。