论文信息
DOI: 10.1109/TCOMM.2020.2990686
1.摘要
- 作者提出了基于区块链的联邦学习（BFL），用于隐私感知和高效的车辆通信网络。其中自动驾驶车辆车载机器学习（oVML）模型更新以分布式进行交换和验证。（与相邻车辆进行数据交易）
- 奖励机制。
- 开发了一个数学框架：以可控网络和BFL参数（如：重传限制、块大小、块生成率、帧大小）为特征，以便捕捉它们对系统级性能的影响。
- 量化了端到端延迟。
2.背景
新一代无线网络更可靠，即将满足自动驾驶车辆的实时通信的需要。自动驾驶汽车很多，传统的云方法风险较大（高延迟、基于云的学习方法较慢，GFL训练完成的延迟约为10分钟），而自动驾驶要求低延迟。
车辆之间的数据交易应保证原始数据对其他相邻车辆的私密性。
传统FL的局限性：
（1）对中心服务器依赖性太大。
（2） 设备可信度。没有激励机制，本地设备不主动参与训练。
3.本文贡献
（1）提出BFL。
（2）对端对端延迟做了数学分析。
（3）构建了一个类似的车载网络模型，将无线信道和链路特性的复杂交互与蜂窝网络的详细传输机制相结合，成功测量了对BFL的影响。做了大量的数值和模拟实验，以评估在不同网络场景和信道条件下提出的框架。
（4）由于自动驾驶车辆网络设置的实时变化（车辆数量、矿工、无线信道条件等），作者设计了一种在线算法，用于在现实网络条件下使系统延迟最小。该算法连续监控系统延迟与目标值的偏差，并调整块生成率以确保最小的总延迟，并能有效应对动态网络。
XX.结论
- BFL有效。
- 端对端延迟，推导出了最优的块生成率。
- 一种基于使用分析的优化方法在省略特定的模型细节和考虑关键系统特征之间取得了良好的平衡。
XX.未来潜在研究方向
（1）考虑到用于分布式学习的自动驾驶汽车的自动特征，开发复杂的移动模型。
（2）验证训练期间隐私泄露的风险分析和解决办法的设计。
（3）超可靠低延迟应用的基于上下文感知集成（和鲁棒）分布式学习的区块链系统的研究。
【未完待续………………】