区块链和联邦学习在智能驾驶方面的应用

在这个应用中，区块链和联邦学习的关系：区块链可以加强联邦学习的安全性、隐私性和可信度。
1. 数据隐私和安全性：区块链使用加密算法和分布式存储，可以确保数据在传输和存储过程中的安全性。到场方可以在不暴露原始数据的情况下，将加密的模型参数或梯度上传到区块链上进行共享和更新。
2. 去中心化的信任机制：区块链的去中心化特性消除了中心化机构的需求，使得到场方可以直接进行交互和合作，无需信任第三方。区块链记录了全部的生意业务和操作，确保了到场方之间的交互的透明度和可追溯性。
3. 共享模型和权益证明：区块链可以作为一个共享的分布式账本，记录到场方之间的模型更新和交互。通过区块链上的智能合约，可以实现模型权益证明，确保到场方按照约定进行贡献，并获得相应的权益。
4. 去中心化的模型聚合：区块链可以作为一个去中心化的模型聚合平台，将到场方的模型参数或梯度进行聚合，并更新全局模型。由于区块链的安全性和可信度，到场方可以放心地上传和共享本身的模型更新，从而实现更好的全局模型结果。
读论文
1 面向互联主动驾驶汽车的分散联邦学习方法。
A Decentralized Federated Learning Approach For Connected Autonomous Vehicles
本地车载机器学习(oVML)
什么叫区块链的共识机制？
区块链技术的共识机制是指在区块链网络中，到场节点之间怎样告竣共识并确认生意业务的有效性和顺序的一种机制。由于区块链是去中心化的，没有中心机构来验证和确认生意业务，因此需要一种共识机制来确保网络的安全性和一致性。
共识机制的目标是让全部到场节点就生意业务的有效性和顺序告竣一致，制止双重付出、窜改和敲诈等问题。以下是一些常见的区块链共识机制：
1. 工作量证明（Proof of Work，PoW）：PoW是比特币最早接纳的共识机制。到场节点需要通过办理肯定难度的数学问题来证明本身在网络中的工作量，并获得记账权。第一个办理问题的节点将获得奖励，并将生意业务打包到区块中。这个过程需要大量的盘算本领和电力斲丧。
2. 股权证明（Proof of Stake，PoS）：PoS是一种基于持有货币数量的共识机制。到场节点需要锁定肯定数量的货币作为抵押，并根据抵押数量来选择记账权。持有更多货币的节点有更高的几率被选为记账节点。PoS相比PoW斲丧更少的能源，但也存在寡头垄断的问题。
3. 权益证明（Proof of Authority，PoA）：PoA是一种基于授权的共识机制。在PoA中，只有经过授权的特定节点有权进行记账和验证生意业务。这些节点通常由网络的管理者或信任机构授权。PoA机制适用于私有链和联盟链，可以提供更高的吞吐量和性能。
4. 权益证明（Proof of Elapsed Time，PoET）：PoET是一种基于时间的共识机制。每个到场节点在竞争中随机等候一个随机时间段，等候时间最短的节点将获得记账权。PoET使用硬件随机数天生器来确保公平性。
这些共识机制各有优劣，适用于不同的场景和需求。共识机制的选择取决于区块链的性子、网络规模、安全需求和性能要求等因素。
该框架具有可控制的网络和BFL参数，如重传限定、块巨细、块到达率和帧巨细，从而捕捉它们对系统级性能的影响。
对oVML系统动态的严格分析量化了BFL的端到端耽误，这为通过思量通信和共识耽误来获得最佳块到达率提供了紧张的看法。
下一代无线网络的设想是包管低耽误和超高可靠性，随时随地和移动。the real-time communication constraints for the impending autonomous vehicles.这将满足即将到来的主动驾驶汽车的及时通信约束。车载机器学习(oVML)是一种有说服力的办理方案，其中每辆车都保持其最佳机器学习模型，从而可以大概做出明智的决策，纵然在一段时间内失去连接。练习如许的oVML模型需要比每个车辆网络的样本更多的数据样本。因此，它需要与相邻车辆进行数据生意业务(和知识交换)。每辆车都拥有本地网络的数据样本，他们的生意业务和知识共享应该使原始数据对其他相近车辆保密。每辆车交换其局部练习的模型更新(主要是梯度参数和学习权重)，而不是原始数据。需要快速相应现实世界。

这个整个图实在就代表联邦学习最上面他是global update，它是一个全局聚合更新的一个过程，然后local Update，他是一个本地更新的一个过程，起首本地下载初始模型，他需要在本地利用本地的数据更新以后，然后将模型参数上传到服务器，再进行一个全局聚合，全局聚合完成以后，再将模型下发给local本地，然后这个算是一次迭代的一个过程。
联邦学习中的local update指的是在每个到场方装备上进行的本地模型更新。在联邦学习中，多个到场方装备共同练习一个全局模型，而每个装备只能使用本地数据进行练习，不会将数据传输到中心折务器上。为了包管全局模型的准确性和一致性，每个装备需要将本地模型的更新结果反馈给中心折务器，由中心折务器进行全局模型的更新。
在每个到场方装备上，local update的过程通常包括以下几个步骤：
1. 选择一部分本地数据作为练习集；
2. 在本地装备上使用练习集进行模型练习；
3. 盘算本地模型的梯度或权重更新；
4. 将本地模型的梯度或权重更新反馈给中心折务器。
在联邦学习中，local update是一个非常紧张的环节，由于每个到场方装备的本地数据可能具有不同的分布和特性，对于全局模型的练习和更新具有紧张影响。因此，怎样计划和优化local update的过程，是联邦学习算法中的一个紧张研究方向。
全局模型是全部本地练习模型更新的综合均匀值。
GFL的练习完成耽误有时可能在几分钟左右(10分钟或更长时间)。为此，我们提出(并评估)一种基于区块链的联邦学习(BFL)模型，GFL依赖于单个全局服务器，容易受到服务器故障的影响，高度依赖于网络连接，并且由于瓶颈而受到严重影响。删除GFL的集中式举世服务器并使用区块链，并提出一种基于区块链的联邦学习(BFL)方法，其中网络系统可以大概交换来自车辆的本地模型更新，同时提供并验证其相应的奖励。
现在的理解是，之前GFL是通过本地数据本地更新成本地模型，然后上传到全局服务器更新成全局模型，然后再下发到本地，完成一次迭代。现在BFL是通过本地数据本地更新成本地模型，然后通过区块链技术来经由网络系统完成车辆间的模型更新，验证并通过广播播送。
BFL克服了集中故障问题，并通过本地练习模块的验证过程将其联邦的范围扩展到公共网络中不可信的车辆。为什么？更紧张的是，通过提供与数据样本巨细成正比的奖励，BFL促进了拥有更大数据样本的车辆。由于有mining raward。矿工可以是移动的车辆，也可以是网络边沿的独立节点(如WiFi接入点或蜂窝基站)，这些节点对于挖矿过程来说盘算本领相对较强。全部矿工交换并验证他们全部的本地模型更新，然后实验他们的工作量证明。当矿工完成工作量证明时，它通过记录经过验证的本地模型更新来天生一个块。末了，该块(由聚合本地模型更新组成的天生块)被插入到区块链的分布式分类账中。然后，全部相关车辆都可以使用这个新插入的块来盘算所需的全局模型更新。
现在的理解是：GFL是有可能出现故障的，而BFL更安全可靠，这对于路上驾驶非常紧张。还有就是区块链技术的mining reward使本地数据更多。
使用BFL，可以观察到全局模型更新在每个车辆上都是局部可盘算的。别的，我们的BFL计划还包管了矿工，节点或车辆的故障或故障不会对任何其他车辆(整个网络系统)的全局模型更新产生倒霉影响。然而，有一个衡量:为了把握上述全部的好处，与GFL相比，由于系统中的区块链管理，BFL会产生额外的耽误。为了量化(并办理)区块链带来的耽误，我们通过盘算工作量证明、通信和盘算耽误，对具有BFL的系统进行了总端到端耽误分析。根据模型的相关看法，我们通过动态调整块到达率(即区块链系统的工作量证明复杂性)来最小化系统的整体感知耽误。
我们的联邦练习是一个回归问题，重点是通过思量数据样本的整个状态空间来并行办理问题。
回归问题是什么

回归问题是机器学习三大基本模型中很紧张的一环，其功能是建模和分析变量之间的关系。
回归问题多用来预测一个具体的数值，如预测房价、未来的气候情况等等。比方我们根据一个地区的若干年的PM2.5数值变化来估计某一天该地区的PM2.5值巨细，预测值与当天现实数值巨细越接近，回归分析算法的可信度越高。
GFL中，求解方程(1)的默认思路是使用随机梯度算法在每个oVML上进行局部练习，然后通过分布式牛顿方法进行全局练习以聚合局部更新。使用BFL，我们计划了一个通用的可信赖框架，用于通过分布式分类账共享来自全部车辆oVML的本地模型更新，其中块生存本地更新，并通过使用M矿工实验验证。BFL在每辆车上本地盘算全局模型更新，这不仅增加了对中心折务器故障的鲁棒性，而且i)淘汰了盘算耽误，ii)完全消除了全局更新流传耽误(从中心折务器到车辆)。
正如预期的那样，耽误随着信噪比的增加而减小，数值和仿真结果都很好地捕捉到了这一点。
在本文中，我们通过区块链加强了联邦学习，以提高主动驾驶汽车的性能和隐私。我们的BFL框架促进了主动驾驶车辆之间的有效通信，其中本地车载学习模块以完全分散的方式交换和验证其更新。BFL利用区块链的共识机制，乐成实现了无需集中协调的车载机器学习。别的，我们对端到端系统耽误的BFL网络系统动态进行了全面的分析，这为获得最佳块到达率提供了紧张的看法。
现在的理解是：BFL相对于GFL来说，引入了区块链技术，这使得各个车辆在本地完成本地练习后得到本地模型，然后不再是上传到中心折务器，而是通过区块链技术在各车辆间进行模型更新，并形成块，这极大加强了系统的鲁棒性，也低落了盘算耽误，更是完全消除了流传耽误。而且其mining reward可以大概扩大样本范围。
盘算耽误应该和这个有关：该框架具有可控制的网络和BFL参数，如重传限定、块巨细、块到达率和帧巨细，从而捕捉它们对系统级性能的影响。
2  6g主动驾驶汽车的分散联邦学习框架
A Dispersed Federated Learning Framework for 6G-Enabled Autonomous Driving Cars
安全性、鲁棒性和高服从
CAVs 主动驾驶汽车
联邦学习自身的实现挑战，如鲁棒性，集中式服务器安全性，通信资源约束以及由于恶意聚合服务器推断终端装备敏感信息的本领而导致的隐私泄露。
分散联邦学习(DFL)框架，以提供鲁棒性、通信资源服从和隐私感知学习。
提出了一种混淆整数非线性规划(MINLP)优化问题，以最大限度地淘汰由于分组错误和传输耽误导致的联邦学习模型精度损失。由于公式化MINLP问题的NPhard和非凸性，我们提出了基于块连续上界最小化(BSUM)的办理方案。
3 Bift:基于区块链的无人驾驶汽车联邦学习系统
Bift: A Blockchain-Based Federated Learning System for Connected and Autonomous Vehicles
数据安全方面的联邦学习(FL)是近年来兴起的，它可以提高分布式机器学习的数据保密性，然而恶意攻击者仍旧可以大概攻击练习过程。由于完全依赖中心折务器，以是FL非常脆弱。为了办理上述问题，我们提出了Bift: 1)一个完全分散的ML系统，结合FL和2)区块链，为cav提供一个掩护隐私的ML过程。使分布式主动驾驶汽车可以大概使用本身的驾驶数据在本地练习ML模型，然后上传本地模型以获得更好的全局模型。更紧张的是，Bift提供了一种名为“联邦学习证明”的共识算法来抵御可能的对手。具有可扩展性和鲁棒性，并且可以抵御恶意攻击。
FL也带来了一些新的威胁，如下所示。
1)恶意客户端很容易通过投毒攻击来攻击FLs进程，比方不诚实的客户端可以上传不正确的梯度或参数来破坏全局模型[17]-[19]。
2)中心折务器网络和聚合模型参数，容易出现单点故障，导致服务瓦解。一旦单个服务器被破坏，将会造成巨大的变乱。
3)中心折务器难以承受来自多个客户端的海量吞吐量，路上的主动驾驶汽车需要相互传输数据，比方每辆主动驾驶汽车每时每刻收罗的高精度地图。
4)很难评估特定节点对模型的贡献。在现实世界中，如果没有鼓励，客户是不乐意提供本身的数据的。
为了满足联邦学习的安全性和隐私性，我们提出了bbit，一个完全分散的机器学习系统，具有区块链、星际文件系统(IPFS)和联邦学习[15]，为cav提供一个掩护隐私的机器学习过程。bbit提供了基于区块链和独特的联邦学习共识协议证明(PoFL)的抵御恶意攻击的本领。
鼓励主动驾驶汽车通过反馈股权的方式积极练习和上传本地模型；可以淘汰FL进程的通信和盘算开销；可以摆脱对中心折务器的依赖，具有更快的收敛速率和更稳固的网络情况。
共识算法是区块链的核心组成部分。共识机制的目标是让全部到场节点就生意业务的有效性和顺序告竣一致，制止双重付出、窜改和敲诈等问题。工作量证明（Proof of Work，PoW）：PoW是比特币最早接纳的共识机制。到场节点需要通过办理肯定难度的数学问题来证明本身在网络中的工作量，并获得记账权。第一个办理问题的节点将获得奖励，并将生意业务打包到区块中。这个过程需要大量的盘算本领和电力斲丧。区块链已被广泛应用于办理FL中的单点故障和安全问题。
FL中主要有两种聚合算法:1)FederatedSGD[35]和2)FederatedAvg[15]。这是什么？
在原始的聚合算法(如fedag和FedSGD)中，中心折务器聚合全部本地更新而不检查它们。这两种朴素算法被广泛应用于非对抗设置。但在现实世界中，特殊是在一个极度分散的联邦中，可能会有恶意的客户端试图破坏FL模型，因此朴素算法在cav场景下并不鲁棒。为此，提出了一些拜占庭鲁棒聚合规则来抵御FL中的恶意客户端。
bbit基于区块链实现了高效、安全的点对点FL。对于这个过程，bbit的计划有以下目标。
1)天生一个最优的全局模型，纵然在有限的恶意情况中(高达30%的恶意节点)，其性能也与没有对手的原始FL大致雷同。
2)我们的Proof of FL共识算法可以防止中毒，该算法与多个Byzantinerobust聚合规则相结合。
3)不需要中心折务器，它可能随时瓦解，并由单个公司控制。在我们的制度中，每个人都是平等的。
4)我们系统中的cav具有通过点对点文件交换系统高效利用网络带宽和低耽误共享数据的本领。
星际文件系统（星际文件系统是分布式存储和共享文件的网络传输协议，内容可寻址，节点构成分布式文件系统。InterPlanetary File System  IPFS
区块链中的每个块包罗上一次FL迭代的记录。每个CAV都可以从区块链获取最新模型的信息，如model的model_id、ipfs_hash、所需的total_iteration、current_iteration、当前全局模型的精度等。CAV可以在末了一个练习任务完成后上传一个练习任务，bbit会将包罗FL练习任务信息的块广播给其他CAV。一旦CAV吸收到广播，它将开始使用本身的数据和盘算本领练习本地ML模型。当充足多的cav通过IPFS上传了本身的局部模型时，bbit将通过PoFL算法对它们进行聚合，并将聚合的全局模型发送回cav，然后cav开始该任务的下一次迭代，直到模型收敛。

现在的理解是：
在本文中，我们提出了一个基于区块链的cav FL系统，命名为bbit，并给出了系统的细节和工作机制。提出了一种防御恶意节点的共识算法PoFL。与现有的工作相比，PoFL具有更好的防御恶意攻击的本领。别的，我们还通过IPFS提供了一个高效稳固的数据共享系统。实验表明，该数据共享系统的性能优于传统的SFTP。我们的工作可以提高cav分布式机器学习的性能。在拟议的框架中思量能源服从问题的未来工作正在进行中。


免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。