[论文解读] Blockchain as a Service for Multi-Access Edge Computing: A Deep Reinforcement Learning Approach

Dinh C. Nguyen, Pubudu N. Pathirana+2 more|arXiv (Cornell University)|Dec 15, 2019

Blockchain Technology Applications and Security被引用 5

一句话总结

本文提出了一种面向多接入边缘计算（MEC）的区块链即服务（BaaS）架构，通过智能合约实现安全、透明的资源交易，并采用深度强化学习（DRL）联合优化计算卸载与区块链挖矿。所提出的双DQN算法在系统效用、执行成本和延迟方面均优于基线方法，且智能合约操作成本较低，证明了其在实际部署中的可行性与高效性。

ABSTRACT

Recently, blockchain has gained momentum in the academic community thanks to its decentralization, immutability, transparency and security. As an emerging paradigm, Multi-access Edge Computing (MEC) has been widely used to provide computation and storage resources to mobile user equipments (UE) at the edge of the network for improving the performance of mobile applications. In this paper, we propose a novel blockchain-based MEC architecture where UEs can offload their computation tasks to the MEC servers. In particular, a blockchain network is deployed and hosted on the MEC platform as Blockchain as a Service (BaaS) that supports smart contract-based resource trading and transaction mining services for mobile task offloading. To enhance the performance of the blockchain-empowered MEC system, we propose a joint scheme of computation offloading and blockchain mining. Accordingly, an optimization problem is formulated to maximize edge service revenue and blockchain mining reward while minimizing the service computation latency with respect to constraints of user service demands and hash power resource. We then propose a novel Deep Reinforcement Learning (DRL) approach using a double deep Q-network (DQN) algorithm to solve the proposed problem. Numerical results demonstrate that the proposed scheme outperforms the other baseline methods in terms of better system utility with computational efficiency. Experiment results also verify that the trading contract design is efficient with low operation cost, showing the feasibility of the proposed scheme.

研究动机与目标

• 通过用去中心化的基于区块链的系统替代集中式中介，解决MEC卸载中的安全与信任问题。
• 通过实现透明、由智能合约驱动的资源交易，解决MEC中资源分配不公与服务可用性低的问题。
• 联合优化计算卸载与区块链挖矿，以在最小化延迟的同时最大化边缘服务收益与挖矿奖励。
• 通过一种新型的DRL决策框架，降低动态多用户MEC环境中计算复杂度与操作成本。

提出的方法

• 在MEC平台上部署区块链网络作为区块链即服务（BaaS），实现去中心化的交易管理与账本服务。
• 通过实现智能合约，自动化并保障用户设备（UE）与MEC服务器之间的资源交易，支持合约创建与支付执行功能。
• 构建联合优化问题，通过在用户需求与算力约束下平衡边缘服务收益、挖矿奖励与计算延迟，以最大化系统效用。
• 设计双深度Q网络（DQN）算法，以实时解决用户选择与资源分配在高维、动态决策空间中的问题。
• DRL智能体通过观察用户需求、可用MEC资源及区块链挖矿进度等状态信息，做出最优的卸载与挖矿决策。
• 集成信誉机制，通过激励可靠矿工参与，加速挖矿并提升交易确认速度。

实验结果

研究问题

• RQ1 在多接入边缘计算环境中，基于区块链的智能合约如何实现安全、透明且自动化的资源交易？
• RQ2 在资源与延迟约束下，计算卸载与区块链挖矿的最优联合策略是什么，以最大化系统效用？
• RQ3 深度强化学习方法能否有效处理多用户MEC环境中用户选择与资源分配的高维、动态决策空间？
• RQ4 与传统优化方法及基线强化学习方法相比，所提出的DRL方案在性能与计算效率方面表现如何？
• RQ5 在基于区块链的MEC系统中，为资源交易部署智能合约的实际运行成本是多少？

主要发现

• 所提出的DRL方案在不同用户负载下，系统效用显著高于遗传算法（GA）、经典DRL与RL基线方法，效用提升达15–20%。
• 与经典DRL方法相比，所提出的DRL算法将执行成本（ECL）降低最多18%，执行延迟降低最多25%，表明计算复杂度更低。
• 系统计算开销极小，ECL值分别为10、20和30名用户时的53.42、74.09与99.05，优于所有基线方法。
• 智能合约操作成本较低：5名用户总成本为0.0815 ether（约15.90美元），人均约3.17美元，证明了实际可行性。
• 系统效用随区块大小增加而提升，且所提出的DRL方案在所有测试区块大小下均保持优越性能，如图7所示。
• 信誉机制提升了挖矿效率，减少了确认延迟，并提高了区块链层的交易吞吐量。