A Blockchain-Based Machine Learning Framework for Edge Services in IIoT 论文学习

最新推荐文章于 2025-08-12 10:53:21 发布

原创

最新推荐文章于 2025-08-12 10:53:21 发布 · 793 阅读

标签

#学习方法

本文提出了一种基于区块链的机器学习框架BML-ES，用于提升工业物联网（IIoT）边缘服务的安全性和效率。通过智能合约实现奖惩机制，确保数据处理的公平性，同时利用SWAS策略优化模型集成，提高模型精度。SM2加密算法保护数据隐私。实验证明，该框架有效保护了数据安全，降低了开销，提高了模型准确性。

A Blockchain-Based Machine Learning Framework for Edge Services in IIoT

IEEE TRANSACTIONS ON INDUSTRIAL INFORMA TICS，2022

文章目录

A Blockchain-Based Machine Learning Framework for Edge Services in IIoT

Summary

本文采用机器学习算法和区块链技术来提高数据处理的效率，保证数据处理的安全性。智能合约实现奖惩激励机制；SWAS聚合多个局部学习模型参数，扩大了数据集的范围，获得高精度模型的同时提高资源的有效利用；SM2加密算法实现隐私保护。

Research Objective(s)

利用边缘服务来保证与智能设备的可靠传输和实时数据处理，有效地设计模型并采用机器学习能力来提高数据处理精度，结合区块链技术保证安全性和奖惩激励机制。

Background / Problem Statement

现代工业需要尽可能多的智能设备对数据进行实时处理并对结果进行反馈，实现工业智能化。如果不能保证数据处理的实时性和用户的隐私性，就会导致攻击者篡改隐私数据，造成网络事故。因此，利用边缘服务来保证与智能设备的可靠传输和实时数据处理是工业物联网中至关重要的要求。
边缘服务是一种新的计算范式，它将云资源和服务扩展到网络边缘，通过部署边缘服务向智能设备提供虚拟化服务.边缘服务可以为工业物联网提供更强大的数据处理能力，增强智能设备的实时数据计算能力，提高智能生产和智能制造的效率。

为了实现数据的实时处理和及时响应，机器学习应用于边缘业务的多个场景。虽然机器学习可以通过训练模型来提高预测精度，但由于智能设备的存储和计算资源有限，智能设备使用机器学习建立的模型不能适应更高的精度要求，容易出现隐私泄露。因此，如何有效地设计模型并采用机器学习能力来提高数据处理精度是一个很大的挑战。此外，通过机器学习处理数据的安全性和效率还存在巨大的矛盾。一方面，由于智能设备的计算和存储资源有限，大量的加解密计算造成了巨大的开销；另一方面，随着异构智能设备的海量接入，数据处理任务的类型越来越复杂。

在现有方案中，大多数模型都不同程度地保护了数据的机密性和完整性，而忽略了智能设备中模型的准确性。存在的不足主要有以下几点：

智能设备收集的大量数据集利用率很低，边缘服务无法及时响应决策。
智能设备的数量巨大。一旦出现恶意节点，数据的安全和隐私就无法得到保证。
机密数据传输和加密计算造成巨大的开销。

在本文提出的BML-ES框架中，大量的智能设备为边缘服务提供支持，既保护了数据隐私，又提高了决策树学习模型的准确性。

Method(s)

区块链技术已经成为保证数据安全和隐私的重要手段。区块链技术本身的去中心化、透明性和不可篡改性保证了数据处理的公平性和真实性。因此，本文采用机器学习算法和区块链技术来提高数据处理的效率，保证数据处理的安全性。通过二者的结合，解决了工业物联网中边缘服务的安全性与效率之间的矛盾。

本文：

提出了一个基于区块链的分布式多方机器学习框架(BML-ES)，以提高边缘服务上多方学习模型的准确性。利用区块链代替云服务器作为受信任的第三方，以减少边缘服务响应的延迟。
构建新型智能合约，设计奖惩激励机制，鼓励边缘服务多方参与，提高数据处理效率。此外，契约保护了多个参与者的利益，实现了多个参与者之间的激励兼容。区块链中的矿工对正确计算的验证结果进行整合，以确保模型的真实性和准确性。
提出了一种规模加权聚合策略(SWAS)对模型参数进行验证和集成，以提高模型的准确性，并采用SM2公钥密码体制防止边缘服务中模型参数的隐私泄露。
理论分析和仿真实验表明，对于工业物联网的边缘业务，该算法不仅能有效地保护数据安全，而且具有较低的开销。