每周文章分享-155

第五代(5G)无线通信技术为智能交通系统(ITS)提供了高可靠性和低延迟的通信。然而，针对5g智能交通(5G-ITS)的攻击越来越复杂，可能会对各种智能交通应用产生的宝贵数据造成严重破坏。因此，通过对潜在威胁的信任评估建立安全的5G-ITS已成为关键目标。此外，区块链作为一种分布式的共享账本和数据库，具有不可篡改、可追溯、公开透明的特点，既可以支持信任存储，也可以支持对信任进行评估的信任验证。 

在本文中提出了一种名为BHTE的使用G-ITS的联邦深度学习技术的基于异构区块链分层信任评估策略。具体而言，利用联合深度学习对ITS用户和任务分发者的信任进行评估，并设计分层激励机制以实现合理公平的奖惩。此外，ITS用户和任务分发者的信任被存储在异构和分层的区块链上，用于信任验证。

深度联邦学习是结合了深度学习和联邦学习的一种新型机器学习方法。它旨在解决在数据隐私保护的情况下，多个参与者之间共享和协作训练深度神经网络的问题。

深度学习是一种通过多层神经网络进行学习和模式识别的机器学习方法。它能够从大量数据中提取和学习底层特征，进行高效的特征表示和预测。然而，由于涉及到大量的数据，传统的深度学习方法通常需要将数据集中在单个中央服务器上进行训练，这存在数据隐私和安全的问题。

而联邦学习是一种分布式机器学习方法，旨在保护数据隐私。它允许多个设备或参与者在本地训练模型，并仅共享模型参数的更新。这样，原始数据可以留在本地，不需要传输到中央服务器，从而减少了数据泄露的风险。

深度联邦学习结合了这两种方法的优点。它通过在本地设备上进行模型训练和参数更新，利用联邦学习的方式实现了数据隐私保护。同时，它还使用深度学习的方法来提取和学习数据的特征，使得参与者可以从共享的模型中受益。

（1）系统概况

图1  提出了BHTE的系统模型

如图1所示，有两种类型的ITS任务释放器，即ITS任务提供器(ITS- tp)和ITS任务分发器(ITS- td)。ITS-TP将任务(即通过众感报告交通事件、环境、路线、导航)发布到区域任务区块链上。每个ITS-TD根据用户的信任程度将ITS-TP发布的任务划分为不同级别的任务。具体来说，任务分发器将提供A、B和C三个级别的任务，A级任务对用户信任的要求最高，而C级任务对用户信任的要求最低。相应地，ITS-TD在三个区域任务链上发布三个级别的任务。

然后，特定区域的ITS用户只有在满足信任要求的情况下才接受任务，即每个ITS用户的信任都要高于任务的信任，这样ITS-TD才能与ITS用户签订智能合约。

根据任务完成情况，特定区域ITS-TD对特定区域的ITS-USER（用户）进行奖励或惩罚，然后对其信任进行评估并存储在相应的区域信任区块链中。接下来，每个ITS-TD将ITS用户的任务完成情况和信任情况上传到相应的ITS-TP（任务提供者）。因此，ITS- TD将受到ITS-TP的奖励或惩罚，ITS- TD和ITS用户的信任将存储在全球信任区块链上。此外，针对部分its - td存在的隐私问题和模型训练困难的问题，提出了一种联邦深度学习算法来构建统一的信任评估模型。考虑到区域差异，不同区域的异构区块链可能具有不同的结构(即子链的数量、CA的存在等)。这表明异构区块链之间的数据交换需要通过网关进行数据转换。

在该系统模型中，需要考虑两种攻击类型，即任务破坏攻击和隐私泄露攻击。

1)任务破坏攻击:这种攻击是由恶意的its用户发起的，其目的是破坏任务，即故意使任务未完成。为了防止这种攻击，在任务接受中引入信任要求，只有更高信任的its用户才能申请任务。

2)隐私泄露攻击:由于假定每个ITS-TD都是半信任的，因此在本地信任评估时与其他ITS-TD共享its用户的数据可能会暴露用户的隐私。因此，联邦深度学习机制不需要直接访问its用户的数据，以防止隐私泄露。

本文提出的BHTE策略包括三个模块，即分层任务分配模块、分层信任评估模块和信任存储与验证模块。这三个模块共同为5G-ITS提供基于异构区块链的分层信任评估。

（1）利用联合深度学习对ITS用户的信任评估

考虑了分层任务分配场景。根据系统模型，任务区块链有两种类型:全局任务区块链和区域任务区块链。请注意，全球区块链可能与区域区块链不同，而每个区域内的区块链是同质的。这就提供了分层任务分配的机会。具体来说，ITS-TP在每个全局任务区块链上为特定区域对应的ITS-TD释放一定数量的任务，其中ITS-TD扮演任务接收者的角色。

然后，ITS-TD将从ITS-TP接收到的任务分配到its用户的相应区域任务区块链上，其中ITS用户作为任务接收者。

另一方面，由于恶意的ITS用户可能获知敏感的任务信息，ITS-TP也可能遭受隐私泄露攻击。在已有研究中已经提出了一种针对此类攻击的任务和ITS-USER分区机制，其中任务释放器的预算是有限的。然而，只有动态的预算调整才能公平地奖励或惩罚信息技术用户。这是通过本文设计的分层任务分配机制的分层激励来实现的。

每个区域的ITS-TD评估内部ITS用户的信任。然后，ITS-TP对所有ITS- TD的信任度进行评估。由于假设ITS-TP是完全可信的，因此ITS-TP应用深度强化学习算法对ITS- TD进行信任评估。此外，由于假定ITS- TD是半可信的，因此所有ITS- TD都使用联邦深度学习算法对ITS用户进行信任评估，以保护隐私。

1)利用联邦深度学习对ITS用户的信任评估:为了评估第i个特定ITS用户的信任，考虑itsITS的任务完成度C_u_i。本文采用u_i接受的每个任务t+j的完成率CR_u_i,t_j来计算任务完成度C_u_i，即C_u_i = α·Cr_u_i,t_j。假设任务t_j被释放，并有信任奖励TB_t_j，基于任务完成C_u_i，可以通过测量任务完成来更新ITS用户的信任C_u_i:

注每个任务TB_t_j的奖励总和等于相应ITS-TD设置的任务信任奖金预算T B^Budget。尽管上式可以量化每个ITS用户信任的更新，但需要一个精心设计的奖惩机制来鼓励诚实的ITS用户并惩罚恶意的ITS用户，以更好地完成ITS用户的任务。

注意，如果任务实际完成，即完成率C_u高于阈值0.5，则每个ITS用户将获得信任奖励。然而，许多ITS用户可能无法完成任务，因此，由实际完成任务的ITS用户分享相应的信任奖金是合理和公平的。因此，引入softmax函数来计算每个完成任务的ITS用户的可区分“份额”。例如，如果有M个ITS用户完成了包括u_i在内的任务，并且多达K个任务未能完成，则ITS用户u_i可以获得额外的信任奖励TB^Extr_ ui，即:

然后，由下式更新T_u_i:

根据最新的信任，ITS用户可以申请具有相应信任要求的任务。因此，每个ITS-TD都应该发现最佳参数，以合理、公平地评估ITS用户的信任度，并鼓励ITS用户在完成任务时表现良好。

事实上，ITS-TD可以使用深度强化学习（DRL）算法，即深度确定性策略梯度（DDPG），通过建立区域信任评估模型来寻找最优参数。然而，考虑到一些ITS TD在模型训练和ITS用户隐私保护方面的困难，本文开发了一种联邦深度学习算法，该算法集成了联邦学习框架和深度强化学习算法DDPG。通常，L ITS-TD训练自己的区域信任评估模型，并将其发送到融合服务器。然后，融合服务器给每个区域模型一个特定的权重。

因此，考虑到所有ITS TD都被认为是半可信的，ITS用户的隐私得到了保护。具体来说，对于第J个ITS-TD，算法DDPG需要4个神经网络，即行动者网络π、评论家网络Q及其目标网络π和Q。行动者网络对国家应该采取的行动做出选择，而评论家网络则对这一选择进行评估。在信任评估中，我们认为状态s由所有ITS用户的参与组成，即s=（Pu1，Pu2，…，PuN），其中Pui=0和Pui=1分别指示第i个ITS用户执行和不执行任何任务。然后，让参数α包括作用a，即a=α。基于当前状态s，选择动作a并计算奖励r。事实上，ITS用户对信任评估的反应（可以从任务完成情况中观察到）在某种程度上与奖励有关。因此，奖励由下式计算：

其中N_j表示为第j个ITS-TD工作的ITS用户数量，ζ_j表示第i个ITS用户u_i接受的第j个任务t_j的重要性因子（即，更高信任要求的任务更重要），O表示ITS用户u_i在行动a的决策间隔期间接受的任务数量。

在DDPG的训练过程中，采样N个经验，用损失函数更新批评者网络：

因此利用策略梯度将π更新为：

当π和Q被更新时，目标网络的参数Q和π被更新为学习率δ。一旦学习过程收敛，就建立了基于DDPG的区域信任评估模型。

与前面的分析一样，通用信任评估模型是通过融合中心对L个区域模型进行加权平均得到的，合理的权重是确保通用模型性能的关键。因此，在联合学习框架内，使用深度强化学习算法DDPG来计算一组用于聚合各种区域模型的最优权重。具体来说，为了确保通用模型的普遍适用性，本文引入了一种反馈机制。

也就是使基于通用模型的ITS用户在各个地区的信任评估接近基于区域模型的信任评估。由于信任评估取决于ITS用户的任务完成情况，使用基于通用模型的任务完成基于区域模型的状态s任务的完成比率:

（2）利用深度强化学习对任务分配者的信任评估

一旦ITS用户声称完成了任务，任务完成将首先发送到相应的ITS-TD，然后再发送到ITS-TP。ITS-TP将使用这些数据来评估ITS-TD的信任度。考虑每一组任务同时发布，ITS-TD的信任奖励由TB_T_D表示，ITS用户的信任奖金为TB_u表示，第i个ITS-TD信任TT Di和为第i个IT s-TD工作的ITS用户的任务信任奖金预算TB^Budget可以基于任务完成C_TD_i更新为:

为了实现对ITS TD的公平合理的信任评估，需要获得最优参数η。与对ITS用户的信任评估类似，也利用DRL算法DDPG实现了对ITS TD的信任评估。

本文在Hyperledger Fabric平台上部署BHTE，该平台的网络环境构建在配备Intel Core i5处理器、8G运行内存、3.2GHZ CPU频率和Ubuntu系统的服务器上。所采用的Hyperledger结构的环境配置设置如下。有4个订购者节点、5个对等节点和1个CLI，其中订购者节点用于对事务进行排序，对等节点用于验证事务，CLI用于调用客户端。对于每个区域，构建三个任务链，其中每个任务链包含3个对等节点，总共5个对等节点中的2个由三个任务链路共享。

1.系统吞吐率

图2. 拟议BHTE的系统吞吐量随（a）Send_Rate、（b）Tran_Size和（c）Block_Size的变化而变化

如图所示，每个事务的吞吐量随着发送率逐渐增加。此外，当每个交易总数的发送率高达4000tps时，3500个事务的最大吞吐量达到14500tps，而3000个事务时吞吐量为13000tps，2500个事务时吞吐量为10000tps。如图（b）所示，每个交易的吞吐量随交易规模的增加而降低。在图（c）中，很明显，随着Block_Size的增长，每个Num_Tran的吞吐量都会增加。

2.系统延迟

从图中观察到延迟随着发送率的增加而增加，并最终为每个Tran_Num趋于平稳。当发送速率达到5000tps时，3500个事务的最高延迟接近15秒，而3000个事务的延迟为12秒，2500个事务的最大延迟为10.5秒。这表明更高的延迟是由更高的事务数量造成的。由于所提出的BHTE在信任评估中是高效的，因此交易编号3500、3000和2500的平均延迟分别为12.7s、9.9s和7.8s。

图3. 所提出的BHTE的延迟随（a）Send_Rate、（b）Tran_Size和（c）Block_Size的变化而变化

在图3（b）中，很明显，延迟随着每个Tran_Num的Tran_Size而增加。此外，在Tran_Size=500B处达到所有事务号的最高延迟。尽管较高的Tran_Size将导致较高的延迟，但平均延迟仍小于10s。

如图4（c）所示，延迟随着每个Tran_Num的Block_Size的增长而增加。此外，在10mb的块大小下获得的事务编号3500、3000和2500的最高延迟分别等于15s、12.5s和11s。尽管较高的事务数会导致较高的延迟，但仅3500个事务、3000个事务和2500个事务的平均延迟分别约为11s、8.8s和6.7s。

3.参与率

如图4（a）所示，尽管参与率随着用户数量的增加而波动，但BHTE的平均参与率最高，为94%，而DB-SCS为83%，BPDC为82%。如图4（b）所示，随着Num_T请求的增长，所有方法的参与率都会增加。此外，BHTE的最高参与率几乎为98%，而DB-SCS或BPDC的参与率都不到90%。很明显，BHTE的性能优于所有基线方法。

持续完成任务会极大地提高ITS用户的信任度，使他们能够申请更高信任要求的任务。请注意，BHTE可以提供合理、公平的信任评估，鼓励更多ITS用户接受任务。此外，由于任务参与率高，ITS用户倾向于提出更高信任要求的任务应用程序。与基线相比，BHTE可以实施精准的信任评估。这就解释了MTES或MTEP的参与率几乎比BHTE低10%的事实。

图4. BHTE与基线之间的参与率随着（a）用户数量和（b）任务数量的变化

4.算法收敛

图5显示了所提出的BHTE的收敛性，其中TEM_Ri表示BHTE在第i个区域上的信任评估模型。如图所示， TEM_R1和TEM_R2都收敛在2000个epoches附近，并且收敛时的回报都接近0.9。这表明TEM_R1和TEM_R2都能合理地对用户进行信任评估，从而激励用户完成任务。

图5. BHTE的收敛性