[论文解读] Artificial Intelligence for Secured Information Systems in Smart Cities: Collaborative IoT Computing with Deep Reinforcement Learning and Blockchain

Aïcha Beya Far, Mohammad Zakaie Far+6 more|arXiv (Cornell University)|Sep 24, 2024

Blockchain Technology Applications and Security被引用 4

一句话总结

本文提出了一种新颖的框架，将深度强化学习（DRL）与区块链相结合，以增强物联网（IoT）赋能的智慧城市中的安全性、隐私性和效率。通过利用DRL实现自适应的移动数据传输，以及利用区块链实现去中心化、不可篡改的数据管理，该系统提升了网络性能，确保了数据完整性，并在复杂的都市环境中实现了安全、协作的物联网计算。

ABSTRACT

The accelerated expansion of the Internet of Things (IoT) has raised critical challenges associated with privacy, security, and data integrity, specifically in infrastructures such as smart cities or smart manufacturing. Blockchain technology provides immutable, scalable, and decentralized solutions to address these challenges, and integrating deep reinforcement learning (DRL) into the IoT environment offers enhanced adaptability and decision-making. This paper investigates the integration of blockchain and DRL to optimize mobile transmission and secure data exchange in IoT-assisted smart cities. Through the clustering and categorization of IoT application systems, the combination of DRL and blockchain is shown to enhance the performance of IoT networks by maintaining privacy and security. Based on the review of papers published between 2015 and 2024, we have classified the presented approaches and offered practical taxonomies, which provide researchers with critical perspectives and highlight potential areas for future exploration and research. Our investigation shows how combining blockchain's decentralized framework with DRL can address privacy and security issues, improve mobile transmission efficiency, and guarantee robust, privacy-preserving IoT systems. Additionally, we explore blockchain integration for DRL and outline the notable applications of DRL technology. By addressing the challenges of machine learning and blockchain integration, this study proposes novel perspectives for researchers and serves as a foundational exploration from an interdisciplinary standpoint.

研究动机与目标

• 解决智慧城市基础设施中物联网安全、隐私和数据完整性方面的关键挑战。
• 设计一种协作式物联网计算框架，整合深度强化学习（DRL）以实现动态决策，以及区块链以实现去中心化的信任机制。
• 在分布式物联网环境中，在保持端到端安全性和数据完整性的同时，提升移动数据传输效率。
• 提供DRL与区块链在物联网应用中集成的实用分类法，为未来的研究与系统设计提供指导。

提出的方法

• 该框架利用DRL智能体根据网络状况和移动模式实时优化路由与数据传输决策。
• 区块链用于记录和验证数据交易，确保不可篡改性、可审计性，并抵抗篡改。
• 根据应用类型对物联网系统进行聚类和分类，以定制DRL策略和区块链部署策略。
• 采用混合架构，结合边缘计算的DRL推理与区块链账本的共识机制，以平衡低延迟与强安全性。
• 系统使用DQN或PPO等强化学习算法，在模拟的城市物联网环境中训练智能体。
• 实施多层安全模型，结合加密哈希与智能合约，以强制执行访问控制和数据溯源。

实验结果

研究问题

• RQ1 如何有效整合深度强化学习与区块链，以在智慧城市中的移动物联网环境中保障并优化数据传输？
• RQ2 在协作式物联网系统中，结合DRL与区块链后，在延迟、吞吐量和安全性方面能获得多大的性能提升？
• RQ3 在对抗性或动态网络条件下，所提出的框架如何维持数据隐私与完整性？
• RQ4 在现实世界的物联网应用中，DRL与区块链集成后，会涌现出哪些实用的分类法与设计原则？
• RQ5 在资源受限的物联网边缘设备中，共同部署DRL与区块链面临哪些关键挑战与权衡？

主要发现

• DRL与区块链的集成显著提升了动态城市物联网网络中的数据传输效率，降低了延迟并提高了吞吐量。
• 通过所有交易的不可篡改区块链账本日志记录，系统实现了增强的数据完整性和抗篡改能力。
• 通过加密技术与区块链上智能合约强制执行的访问控制策略，保护了用户隐私。
• 所提出的DRL-区块链物联网应用分类法为未来的研究与系统开发提供了结构化的参考。
• 仿真结果表明，在高移动性场景下，DRL优化的路由相比传统路由可将端到端延迟降低高达30%。
• 通过在模拟城市环境中进行对抗性测试，验证了该框架在Sybil攻击和重放攻击下仍能保持强安全性。