本文由Hongbo Yin、Xiaoge Huang、Yuhang Wu、Chengchao Liang和Qianbin Chen共同撰写，发表于2023年11月的《IEEE Communications Letters》期刊。这些作者均来自重庆邮电大学通信与信息工程学院。该研究提出了一种多区域异步群体学习（Multi-Region Asynchronous Swarm Learning, MASL）框架，旨在解决大规模车联网（Internet of Vehicles, IoV）场景中的数据共享问题。研究得到了中国国家自然科学基金（NSFC）和重庆市自然科学基金的支持。
随着5G、物联网（IoT）和边缘计算（Edge Computing, EC）技术的发展，车联网（IoV）作为物联网的一个新兴分支，正在迅速扩展。车联网中的车辆通过传感器和通信设备生成大量数据，这些数据对于实现自动驾驶等智能应用至关重要。然而，车联网中的数据共享面临诸多挑战，包括网络带宽限制、计算资源不足以及用户数据隐私问题。传统的集中式云计算模式存在数据隐私泄露的风险，而联邦学习（Federated Learning, FL）作为一种分布式学习技术，能够在保护数据隐私的同时实现模型共享。然而，现有的联邦学习方法在可扩展性和安全性方面存在不足，尤其是在车联网这种动态网络拓扑环境中。
本研究旨在提出一种多区域异步群体学习（MASL）框架，通过结合分层区块链技术和异步模型训练，解决车联网中大规模数据共享的安全性和效率问题。具体目标包括： 1. 提出一种基于分层区块链的多区域异步群体学习框架，以应对车联网中的大规模数据共享挑战。 2. 设计一种异步模型训练方法，结合有向无环图（Directed Acyclic Graph, DAG）区块链，确保数据隐私的同时实现高效异步训练和共享。 3. 开发跨区域共享机制，缓解数据非独立同分布（Non-IID）问题，提升模型泛化能力。 4. 在硬件测试平台上开发并部署MASL应用程序，验证其有效性。
MASL框架的核心思想是通过分层区块链和异步模型训练，实现车联网中的安全数据共享。具体流程分为以下几个阶段：
车联网被分为两层：边缘层和用户层。边缘层包括路侧单元（Road Side Units, RSUs）和基站（Base Stations, BSs），负责提供通信、存储和计算资源。用户层则由参与数据共享的车辆组成。每个区域独立维护一个区块链，确保数据共享过程的安全性和隐私性。
MASL框架通过三个主要阶段实现数据共享：模型下载、本地训练和模型上传。每个车辆异步执行这些阶段。
模型下载阶段：车辆向RSU或BS发送模型下载请求，RSU或BS将最新的模型参数打包并返回给车辆。跨区域共享时，BS会从目标区域的DAG中获取模型参数。
本地训练阶段：车辆根据接收到的模型参数，使用本地数据进行训练。训练过程中，车辆通过基于准确性的加权选择算法（Accuracy-based Weighted TSA, AW-TSA）选择模型参数，确保模型的高效收敛。
模型上传阶段：训练完成后，车辆将更新后的模型打包并上传至RSU或BS。RSU或BS验证模型的有效性，并将其记录到区块链中。跨区域共享时，BS通过PBFT共识机制将模型记录到主链中。
研究对MASL框架的平均延迟和安全性进行了理论分析。结果表明，MASL在保证安全性的同时，能够有效降低通信延迟，尤其是在跨区域共享时表现出色。
通过仿真和硬件测试平台的验证，MASL框架在效率和安全性方面均优于现有的联邦学习算法。具体结果如下： 1. 模型泛化能力：跨区域共享显著缓解了数据非独立同分布（Non-IID）问题，提升了模型的泛化能力。 2. 通信成本：MASL在跨区域共享时的通信成本较低，且随着车辆数量的增加，通信成本增长缓慢。 3. 抗攻击能力：MASL能够有效抵御恶意攻击，尤其是在面对数据投毒攻击时表现出色。
本研究提出的MASL框架通过结合分层区块链和异步群体学习技术，成功解决了车联网中大规模数据共享的安全性和效率问题。MASL不仅能够有效保护用户数据隐私，还能通过跨区域共享机制提升模型泛化能力。仿真和硬件测试结果验证了MASL框架的优越性能，表明其在车联网等动态网络环境中具有广泛的应用前景。
本研究为车联网中的大规模数据共享提供了一种安全、高效的解决方案，具有重要的科学价值和应用价值。MASL框架不仅能够提升车联网中智能应用的性能，还为其他分布式网络环境中的数据共享问题提供了新的思路。