[论文解读] Smart and Secure CAV Networks Empowered by AI-Enabled Blockchain: The Next Frontier for Intelligent Safe Driving Assessment

Le Xia, Yao Sun+4 more|arXiv (Cornell University)|Apr 9, 2021

Blockchain Technology Applications and Security参考文献 13被引用 19

一句话总结

本文提出了一种基于区块链的智能驾驶风险评估框架（BEST），该框架结合了长短期记忆（LSTM）模型以实现实时驾驶风险评估，并采用基于拜占庭容错的委托权益证明（BFT-DPoS）区块链以确保数据的可信度与安全性。即使在大规模恶意数据注入的情况下，该框架在风险评估中的准确率仍能达到92.5–93.8%，优于现有的集中式与非区块链方法。

ABSTRACT

Securing safe driving for connected and autonomous vehicles (CAVs) continues to be a widespread concern, despite various sophisticated functions delivered by artificial intelligence for in-vehicle devices. Diverse malicious network attacks are ubiquitous, along with the worldwide implementation of the Internet of Vehicles, which exposes a range of reliability and privacy threats for managing data in CAV networks. Combined with the fact that the capability of existing CAVs in handling intensive computation tasks is limited, this implies a need for designing an efficient assessment system to guarantee autonomous driving safety without compromising data security. In this article we propose a novel framework, namely Blockchain-enabled intElligent Safe-driving assessmenT (BEST), which offers a smart and reliable approach for conducting safe driving supervision while protecting vehicular information. Specifically, a promising solution that exploits a long short-term memory model is introduced to assess the safety level of the moving CAVs. Then we investigate how a distributed blockchain obtains adequate trustworthiness and robustness for CAV data by adopting a byzantine fault tolerance-based delegated proof-of-stake consensus mechanism. Simulation results demonstrate that our presented BEST gains better data credibility with a higher prediction accuracy for vehicular safety assessment when compared with existing schemes. Finally, we discuss several open challenges that need to be addressed in future CAV networks.

研究动机与目标

• 为解决车联网（CAV）网络中驾驶安全与数据安全的双重挑战。
• 缓解集中式车辆数据管理中GPS干扰与数据伪造等恶意攻击带来的风险。
• 设计一种去中心化、可信的系统，确保在动态CAV环境中数据的真实性与完整性。
• 将基于人工智能的风险预测与基于区块链的数据溯源相结合，实现实时、安全的安全监管。
• 开发一种可扩展且鲁棒的框架，在对抗性条件下仍能保持高预测准确率。

提出的方法

• 采用两层长短期记忆（LSTM）网络分析时间序列驾驶状态数据，以实现实时车辆风险指数（VRI）预测。
• 集成基于拜占庭容错的委托权益证明（BFT-DPoS）共识机制的联盟区块链，以认证和保护车辆数据。
• 利用移动边缘计算（MEC）卸载计算任务，降低数据处理与共识操作中的延迟。
• 在LSTM模型中应用交叉熵损失函数进行VRI分类，并使用Adam优化器实现高效的梯度更新。
• 通过RSU支持的共识规则，设置1秒的区块生成间隔与8 MB的区块大小，以确保快速、可靠的数据记录。
• 在基于实时CAV数据的LSTM模型训练过程中，采用Dropout正则化方法以防止过拟合。

实验结果

研究问题

• RQ1 如何使基于人工智能的风险预测在CAV网络中对恶意数据注入具备鲁棒性？
• RQ2 基于区块链的共识机制在多大程度上能提升车辆数据的可信度并防止篡改？
• RQ3 集成LSTM与区块链的框架是否能在恶意CAV数量不断增加的情况下维持高预测准确率？
• RQ4 与集中式及非区块链方法相比，所提出的BEST框架在准确率与抗毁性方面表现如何？
• RQ5 在高度动态的真实城市交通环境中部署此类系统面临哪些关键挑战？

主要发现

• 经过50次训练迭代后，BEST框架的VRI预测损失约为0.2，显著优于基于深度神经网络（DNN）的模型。
• 在50辆恶意CAV注入虚假数据的情况下，由于区块链具备检测并清除欺诈内容的能力，BEST框架仍能保持较低的预测损失。
• 即使恶意CAV数量从0增加到100，VRI评估的准确率仍稳定在92.5–93.8%之间，展现出强大的鲁棒性。
• 集中式方案在恶意CAV数量增加时，准确率急剧下降（低于85.6%），凸显了传统架构的脆弱性。
• 集成区块链的方案表现出更快的收敛速度与更高的鲁棒性，有效维持了数据集的纯净性与预测的可靠性。
• LSTM与区块链的集成确保了高预测准确率与数据不可篡改性，使该系统适用于CAV中的实时安全监管。