[发明专利]一种基于双联盟区块链和联邦学习的虚拟网络映射方法

说明书

本发明涉及一种基于双联盟区块链和联邦学习的虚拟网络映射方法，与现有技术相比解决了难以实现虚拟网络安全映射的缺陷。本发明包括以下步骤：建立联邦学习架构和区块链系统；制定智能合约；用户发布虚拟网络请求VNR，由中心共识层签名认证后发送给局部训练节点；本地模型的训练；触发聚合计算合约；新区块的生成；新区块的加入；虚拟网络请求的映射处理。本发明采用分布式联邦学习保障了局部网络本地数据的隐私性、训练的可追溯性，在降低通信开销的同时，引入了双联盟区块链技术用于保护局部网络拓扑信息和模型数据的安全，在高度异构并且动态变化的的无线网络中保证节点之间的互相信任，抵抗恶意节点的攻击。

技术领域

本发明涉及虚拟网络映射技术领域，具体来说是一种基于双联盟区块链和联邦学习的虚拟网络映射方法。

背景技术

如今的5G时代以及即将到来的6G时代，通信技术和网络架构需要进一步发展，来为用户提供更高质量的服务。其中，无线网络的资源管理和调度自然是一个关键问题。NGMN5G白皮书引入了网络切片，提出允许逻辑网络使用公共底层物理网络的基础设施，有助与整合网络碎片资源。通过定义网络切片实例(network slice instances,NSIs)来实现网络切片，也称为虚拟网络请求(VNR)。不同的VNR可以部署在同一或多个公共底层物理网络中，以满足不同用户、不同需求的业务。VNR的部署过程就称为虚拟网络嵌入(VNE)。

VNE问题已被证明是NP-hard问题，因此目前大多数都是用启发式算法来解决资源利用率的最优化问题。但是VNE在具有高度异构性和机动性的5G无线网络中，会暴露出在跨域通信和信息交互方面的缺陷。

首先，由于VNR可以部署在一个或多个异构的公共底层物理网络中，目前大多数算法都不足以解决VNE在多个无信任基础的异构局部网络之间的安全隐患。其次，5G无线网络空间大、用户隐私大，实时收集全局网络信息也非常有挑战性。

目前提出的多数基于集中式机器学习技术的VNE算法都需要全局网络信息，但是随着网络结构变得越来越广泛和复杂，模型训练所需要的全局网络信息会越发庞大，通信开销和隐私问题日渐显著。

近年来，联邦学习在无线网络中也有了广泛的应用。在无线网络中，联邦学习不需要收集全局网络信息，即降低了通信开销，也降低了网络复杂度和用户隐私泄露的风险。但是，传统的联邦学习还是存在中央服务器的单点故障和在更新过程中获取用户隐私的安全问题。一旦中央服务器出现故障或者受到攻击，会影响全局模型更新，甚至影响到模型效果，从而导致系统训练效率低下。因此，如何在5G无线网络这样大规模、高度异构的网络结构中应对VNE问题，解决在联邦学习中网络拓扑信息和模型更新安全共享的问题是一个重大挑战。区块链由于其去中心化、不可篡改、不可伪造和透明度等特性而受到广泛关注和研究，区块链技术可以有效防止云等中心化服务器所带来的安全隐患，它将数据存储在网络节点中，并且实时更新，区块链技术可以弥补联邦学习中可靠性欠缺等缺点。智能合约作为区块链的核心技术，可以自主执行全部或部分与合约相关的操作，从而做到真正意义上的去中心化。

因此，如何利用联邦学习和区块链技术，实现虚拟网络安全、可靠的映射已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中难以实现虚拟网络安全映射的缺陷，提供一种基于双联盟区块链和联邦学习的虚拟网络映射方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于双联盟区块链和联邦学习的虚拟网络映射方法，包括以下步骤：

建立联邦学习架构和区块链系统；

制定智能合约；

用户发布虚拟网络请求VNR，由中心共识层签名认证后发送给局部训练节点；

本地模型的训练：局部训练节点收到请求后，触发模型训练合约，从模型链上下载初始化参数的全局模型参数，并启动本地模型训练；