[發明專利]傳感邊緣云區塊鏈網絡可信卸載協作節點選擇系統及方法

有效

• 申請號: 202011276468.5
• 申請日: 2020-11-16
• 公開（公告）號: CN112202928B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 劉建華;沈士根;方朝曦;黃龍軍;李琪;馮晟;方曙琴
• 申請（專利權）人: 紹興文理學院
• 主分類號: H04L67/10
• 分類號: H04L67/10;H04L67/12;G06Q40/04;G06F21/64;G16Y10/75;G16Y40/50
• 代理公司: 武漢臻誠專利代理事務所(普通合伙) 42233
• 代理人: 胡星馳

本發明公開了一種傳感邊緣云區塊鏈網絡可信卸載協作節點選擇系統及方法。所述系統包括傳感云邊緣節點、和創建在邊緣節點中的區塊，所述邊緣節點和區塊鏈組成邊緣DAG區塊鏈網絡。所述方法包括步驟：(1)獲取訓練任務發布節點發布的訓練任務；(2)將至少ε+1個邊緣節點作為待選擇的計算任務卸載交易節點，獲取其成本函數C_v,h并注冊到DAG區塊鏈中；(3)在DAG區塊鏈中根據各邊緣節點交易狀態，采用強化學習規劃計算任務卸載路徑的優化策略，根據優化策略制定卸載路徑行動集合。本發明針對多跳計算任務協作卸載，建立基于邊緣DAG區塊鏈的多跳計算任務協作卸載模型，參與計算任務協作卸載的節點注冊到邊緣DAG區塊鏈網絡中，協作完成多跳分布式聯邦學習任務。

技術領域

本發明屬于物聯網技術領域，更具體地，涉及一種傳感邊緣云區塊鏈網絡可信卸載協作節點選擇系統及方法。

背景技術

為了減少傳感邊緣云中計算任務卸載對遠程云的依賴，計算任務以多跳協作的方式在邊緣節點間卸載來完成模型的訓練。多跳計算任務協作卸載過程包含計算任務的傳輸和模型的分布式訓練兩個階段，且具有擴展性好和健壯性強等特點，能較好地支持計算任務的分布式聯邦學習，保護節點的隱私數據。然而，隨著跳數和節點數的增加，也為優化計算任務可信卸載的服務質量帶來了諸多挑戰。

基于多跳計算任務卸載的模型訓練方式，能有效避免單點失敗，且充分利用邊緣節點的本地數據來分布式訓練模型，能有效的提高聯邦學習的性能。然而，借助于多跳計算任務卸載技術的分布式聯邦學習面臨安全問題。由于邊緣節點的自私性使得計算任務的訓練達不到預期的訓練精度，或者惡意的節點修改訓練好的模型來欺騙相互協作的節點，誤導下一跳節點繼續做低效率的訓練。這使得邊緣節點參與協作的行為變的不可信，導致無法進行低延遲可信的協作，降低了計算任務卸載和分布式聯邦學習的服務質量。因此，解決此問題的關鍵挑戰是如何平衡邊緣節點多跳計算任務卸載延遲和可信協作之間協調決策，以提高多跳計算任務卸載路徑的服務質量。面對這個挑戰，研究者提出了一些計算任務協作卸載的方法。J.Yan等考慮了單用戶邊緣計算系統的任務圖，并且提出了強化學習框架來優化任務在本地或邊緣節點的卸載決策以及資源分配問題，但該方案未考慮多跳計算任務卸載場景(Offloading and ResourceAllocation With GeneralTaskGraph in MobileEdgeComputing:A Deep Reinforcement LearningApproach,in IEEETransactionsonWirelessCommunications_,vol.19,no.8,pp.5404-5419,Aug.2020)。Z.Hong等模型化包含邊緣節點、云節點的計算任務卸載路徑優化問題為一個多跳計算任務卸載博弈，并且提出QoS感知的分布式算法，但未考慮節點間協作卸載的可信問題(Multi-HopCooperativeComputation Offloadingfor Industrial IoT–Edge–Cloud ComputingEnvironments,in IEEE Transactions on Parallel and Distributed Systems_,vol.30,no.12,pp.2759-2774,1Dec.2019)。L.Xiao等為了抵抗自私的邊緣攻擊和假冒的記錄攻擊，提出了基于區塊鏈的信任機制，通過建立聲譽的方法來增強移動設備和邊緣節點之間計算任務卸載的安全性，但未實現邊緣節點間多跳計算任務卸載的安全性(AReinforcement Learningand Blockchain-BasedTrust MechanismforEdge Networks,in IEEETransactionsonCommunications_,vol.68,no.9,pp.5460-5470,Sept.2020)。這些研究方案還存在如下不足：

(1)已提出的解決方案較少考慮多跳計算任務卸載，以及多跳邊緣節點間的協作訓練，而僅考慮傳感設備到邊緣節點間的單跳計算任務卸載性能，無法支持多跳的分布式聯邦學習。因此，已提出的解決方案在多跳的分布式計算任務協作卸載中應用具有局限性。