[论文解读] Secure and Efficient Blockchain based Knowledge Sharing for Intelligent Connected Vehicles

Haoye Chai, Supeng Leng+2 more|arXiv (Cornell University)|Aug 3, 2021

Blockchain Technology Applications and Security被引用 4

一句话总结

该论文提出了一种基于有向无环图（DAG）区块链的智能网联汽车（ICVs）知识共享框架，具备安全性与高效性，支持跨区域、基于微交易的自动驾驶机器学习模型共享。该框架引入了一种轻量级RTH-Tip选择算法（RTH-TSA）用于共识与身份验证，并提出一种自适应异步分布式学习（ADL）方案，在降低通信开销的同时提升模型准确率，相较于基线方法，驾驶违规率降低20%，在恶意攻击下损失降低30%。

ABSTRACT

The emergence of Intelligent Connected Vehicles (ICVs) shows great potential for future intelligent traffic systems, enhancing both traffic safety and road efficiency. However, the ICVs relying on data driven perception and driving models face many challenges, including the lack of comprehensive knowledge to deal with complicated driving context. In this paper, we are motivated to investigate cooperative knowledge sharing for ICVs. We propose a secure and efficient directed acyclic graph (DAG) blockchain based knowledge sharing framework, aiming to cater for the micro-transaction based vehicular networks. The framework can realize both local and cross-regional knowledge sharing. Then, the framework is applied to autonomous driving applications, wherein machine learning based models for autonomous driving control can be shared. A lightweight tip selection algorithm (TSA) is proposed for the DAG based knowledge sharing framework to achieve consensus and identity verification for cross-regional vehicles. To enhance model accuracy as well as minimizing bandwidth consumption, an adaptive asynchronous distributed learning (ADL) based scheme is proposed for model uploading and downloading. Experiment results show that the blockchain based knowledge sharing is secure, and it can resist attacks from malicious users. In addition, the proposed adaptive ADL scheme can enhance driving safety related performance compared to several existing algorithms.

研究动机与目标

• 为应对数据驱动型ICVs在复杂驾驶场景下面临的知识不全面与安全漏洞问题。
• 克服动态车载网络中集中式管理与同步学习的局限性。
• 通过区块链与异步学习技术，实现ICVs之间安全、去中心化且高效的知识共享。
• 通过基于驾驶行为指标的自适应模型聚合，降低通信成本并提升模型准确率。
• 通过集成基于区块链的验证与共识机制，确保对恶意用户的抗性。

提出的方法

• 设计一种DAG区块链框架，其中每个事务（节点）代表一次知识的微交易，消除挖矿开销，实现轻量级共识。
• 提出一种基于声誉与信任的启发式RTH-Tip选择算法（RTH-TSA），用于选择待验证的节点，实现快速跨区域身份认证。
• 集成一种基于DAG结构的轻量级共识机制，新节点验证先前节点，提升可扩展性与实时性能。
• 开发一种自适应异步分布式学习（ADL）方案，根据模型新鲜度与驾驶行为指标动态加权本地模型，以提升全局模型准确率。
• 应用验证规则 $ e \leq \epsilon $ 过滤恶意知识，确保仅合法模型被追加至账本。
• 使用驾驶风格指标识别并选择性地包含或排除具有异常行为的ICVs，从而在不显著降低模型质量的前提下最小化通信成本。

实验结果

研究问题

• RQ1 如何在高度动态、去中心化的车载网络中，为ICVs设计一个安全且高效的知识共享框架？
• RQ2 在不依赖挖矿的前提下，如何确保基于跨区域微交易的知识共享中的共识与身份验证？
• RQ3 如何对异步分布式学习进行适配，以在ICV环境中降低通信开销，同时保持或提升模型准确率？
• RQ4 模型新鲜度与驾驶行为指标在多大程度上能提升ICV学习系统中聚合知识的质量？
• RQ5 所提出的框架在抵御恶意攻击（如注入偏见或虚假知识）方面的有效性如何？

主要发现

• 所提出的ADL方案相较于FedAve与cook-AD算法，驾驶违规率降低超过20%，表明安全性能显著提升。
• 所提ADL的模型损失非常接近集中式训练基线，表明尽管采用异步更新，全局模型准确率仍非常高。
• 在恶意攻击下，该框架的损失函数值平均降低30%，证明其具备强大抗风险能力。
• 排除具有高度异常驾驶行为指标的ICVs（如 $ m_3 $-型）可降低通信成本，只要保留部分此类模型，模型质量不会显著下降。
• RTH-TSA实现了跨区域的快速共识与身份验证，支持动态车载网络中的实时知识共享。
• 由于支持实时模型聚合，自适应ADL方案即使在异构且异步的ICV贡献下，收敛速度也优于同步方法。