[发明专利]基于区块链的分布式机器学习任务卸载方法

说明书

基于区块链的分布式机器学习任务卸载方法，涉及计算机任务卸载技术领域，针对现有技术中任务卸载时不能保护隐私的问题，包括步骤一：对区块链上共享的数据进行质量评估；步骤二：根据数据质量评估模块的质量评估结果，对低质量数据进行修复；步骤三：利用分布式强化学习算法获得近似最优化的策略，并利用该策略对修复后的低质量数据上的任务进行卸载。本申请形式化了低质量数据上基于区块链的面向边缘计算的任务卸载问题，这个问题考虑了严格的延迟约束，同时最大化了任务结果的质量和系统的效用。为低质量数据上的任务卸载提供高质量的策略。针对能源互联网中的低质量数据，实验结果说明了本文提出的面向边缘计算的任务卸载框架的有效性。

技术领域

本发明涉及计算机任务卸载技术领域，具体为基于区块链的分布式机器学习任务卸载 方法。

背景技术

随着能源互联网的发展，越来越多的用户通过不同类型的边缘设备分享数据，如智能 手机、笔记本电脑、智能汽车和台式电脑等。这些数据中包含了丰富的信息，如负载需求 或者电能出力，这促使了大量的计算任务来发现数据中包含的有价值的知识(N.Bui,A.P. Castellani,P.Casari,and M.Zorzi,“The internet of energy:a web-enabledsmart grid system,” IEEE Network,vol.26,no.4,pp.39–45,July-August 2012.)。

然而，在实际的任务中，在这些多源数据上进行计算是具有挑战性的(Z.Xiong,Y.Zhang,D.Niyato,P.Wang,and Z.Han,“When mobile blockchain meets edgecomputing,”IEEE Communications Magazine,vol.56,no.8,pp.33–39,August 2018.)。第一，这些多源的数据来 自于能源互联网中异构的设备(H.-N.Dai,Z.Zheng,and Y.Zhang,“Blockchain for internet of things:A survey,”IEEE Internet of Things Journal,vol.6,no.5,pp.8076–8094,October 2019.)， 这会导致在数据集成中很多的挑战，比如数值的缺失。这些低质量的数据可能无法支持各 种各样的任务，也会导致计算结果中存在潜在的风险。第二，能源互联网中边缘设备产生 了大量的数据，这使得很难在资源受限的边缘设备上进行快速的计算(T.X.Tran and D. Pompili,“Joint task offloading andresource allocation for multi-server mobile-edge computing networks,”IEEETransactions on Vehicular Technology,vol.68,no.1,pp.856–868,January 2019.)。一个替代性的想法是上传所有数据到服务器中来获得结果，但是由于通信带宽的 限制这也是低效的。这些设备上的任务可以在本地计算一部分，也可以通过服务器计算一 部分，这样可以减少时间代价。基于这个想法，人们设计了任务卸载算法，在边缘节点和 附近的服务器之间分担计算负担(Y.Gu,Z.Chang,M.Pan,L.Song,and Z.Han,“Joint radio andcomputational resource allocation in iot fog computing,”IEEE Transactions onVehicular Technology,vol.67,no.8,pp.7475–7484,August 2018.)(A.Ndikumana,N.H.Tran,T.M.Ho, Z.Han,W.Saad,D.Niyato,and C.S.Hong,“Joint communication,computation,caching,and control in big data multi-access edge computing,”IEEETransactions on Mobile Computing,vol. 19,no.6,pp.1359–1374,June 2020.)。然而，当在边缘节点之间分享数据的时候，需要在分 布式算法中仔细地考虑隐私问题(Z.Cai,Z.He,X.Guan,and Y.Li,“Collective data- sanitization for preventing sensitiveinformation inference attacks in social networks,”IEEE Transactions onDependable and Secure Computing,vol.15,no.4,pp.577–590,July-August 2018.)(Z.Cai and X.Zheng,“A private and efficient mechanism for data uploading insmart cyber-physical systems,”IEEE Transactions on Network Science andEngineering,vol.7,no.2, pp.766–775,April-June 2020.)(X.Zheng and Z.Cai,“Privacy-preserved data sharing towards multiple parties in industrial iots,”IEEE Journal on Selected Areas in Communications,vol.38, no.5,pp.968–979,May2020.)。用户的敏感信息可能被泄露给没有授权的攻击者，从而引 发风险(Z.Cai,X.Zheng,and J.Yu,“A differential-private framework for urban traffic flowsestimation via taxi companies,”IEEE Transactions on Industrial Informatics,vol.15,no.12,pp. 6492–6499,December 2019.)。第三，分布式任务卸载算法给边缘计算节点提供了任务分配 方法，以此来协同高效地计算部分任务。然而，低质量数据可能影响任务卸载后的计算结 果。例如，即使采用了最优化的任务卸载方案，边缘节点单独地计算包含不一致数值的任 务(S.Ma,L.Duan,W.Fan,C.Hu,and W.Chen,“Extendingconditional dependencies with built-in predicates,”IEEE Transactions onKnowledge and Data Engineering,vol.27,no.12,pp. 3274–3288,December 2015.)也会导致冲突的结果，这将导致诸如深度学习这样的计算任务 的收敛缓慢。因此，有必要在设计任务卸载算法时考虑数据集合的质量，进而避免产生带 有风险的结果。