[论文解读] Blockchain-based Federated Learning for Industrial Metaverses: Incentive Scheme with Optimal AoI

Jiawen Kang, Dongdong Ye+7 more|arXiv (Cornell University)|Jun 15, 2022

Privacy-Preserving Technologies in Data被引用 7

一句话总结

本文提出了一种基于跨链区块链的联邦学习框架，用于工业元宇宙，确保在物理与虚拟空间之间实现隐私保护的数据训练。通过引入信息年龄（AoI）作为数据新鲜度的度量指标，并设计基于AoI的合约模型，该框架激励工业物联网（IIoT）节点贡献新鲜数据，在去中心化的工业人工智能系统中实现数据新鲜度、隐私保护与参与者效用之间的最优权衡。

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.

研究动机与目标

• 解决工业元宇宙中IIoT节点共享敏感操作数据时可能引发的隐私泄露风险。
• 利用信息年龄（AoI）作为关键指标，确保工业元宇宙中对时间敏感的人工智能服务具备数据新鲜度。
• 设计一种实用的激励机制，激励IIoT节点在能源受限的情况下仍贡献新鲜数据。
• 通过跨链区块链架构，实现在物理与虚拟工业空间之间去中心化、安全且隐私保护的模型训练。
• 在信息不对称条件下，通过契约理论优化数据新鲜度（AoI）、服务延迟与参与者效用之间的权衡。

提出的方法

• 采用主链与多个子链组成的分层区块链架构，以在工业元宇宙中实现模型训练的去中心化并增强数据隐私。
• 跨链技术实现物理与虚拟空间之间安全、互操作的数据交换，同时保护数据所有权与机密性。
• 应用联邦学习在IIoT数据上训练人工智能模型，而无需传输原始数据，从而确保用户定义的隐私保护。
• 基于契约理论设计一种基于年龄的合约模型，根据IIoT节点的数据新鲜度（AoI）与可靠性来激励其参与。
• 引入偏好因子（α）以平衡服务提供方在最小化AoI与最小化延迟之间的权衡。
• 通过PySyft与Fisco Bcos区块链结合WeCross跨链平台，对激励机制在信息不对称条件下的性能进行数值评估。

实验结果

研究问题

• RQ1 当IIoT节点为人工智能训练共享传感数据时，如何在工业元宇宙中保护数据隐私？
• RQ2 信息年龄（AoI）在确保时间关键型工业人工智能应用中数据新鲜度方面发挥什么作用？
• RQ3 如何设计一种激励机制，以激励IIoT节点在能源与隐私约束下仍贡献新鲜数据？
• RQ4 在去中心化的工业元宇宙中，数据新鲜度（AoI）、服务延迟与参与者效用之间的最优平衡是什么？
• RQ5 与完全信息或社会福利最大化的替代方案相比，所提出的合约模型在信息不对称条件下的表现如何？

主要发现

• 在信息不对称条件下，所提出的基于合约的激励机制（CA）相比社会福利最大化机制（CS）为服务提供方带来更高的效用，同时仍优于完全信息基准（CC）的工人效用。
• 随着工人类型（即数据成本）的提高，其效用也随之增加，且每位工人选择与其类型相匹配的合约项，验证了激励相容性（IC）与个体理性（IR）条件。
• 服务提供方存在最优的持续时间参数 $ a $，其效用随 $ a $ 先增加后减少，表明更新频率与成本之间存在权衡。
• 提高偏好因子 $ \alpha $ 可增加更新周期与更高奖励，当 $ K - \overline{A}_n > H - \overline{D}_n $ 时，可同时提升工人与服务提供方的效用。
• 在有利条件下，服务提供方的效用随 $ \alpha $ 呈线性增长，表明通过参数调节可有效控制激励机制。
• 数值结果证实，该框架在工业元宇宙应用中能够高效平衡隐私保护、数据新鲜度与经济激励。