CN111211893A - 一种应用区块链的自动驾驶汽车模型共享方法 - Google Patents

一种应用区块链的自动驾驶汽车模型共享方法 Download PDF

Info

Publication number
CN111211893A
CN111211893A CN202010074874.7A CN202010074874A CN111211893A CN 111211893 A CN111211893 A CN 111211893A CN 202010074874 A CN202010074874 A CN 202010074874A CN 111211893 A CN111211893 A CN 111211893A
Authority
CN
China
Prior art keywords
block
node
mecn
mobile
edge computing
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010074874.7A
Other languages
English (en)
Other versions
CN111211893B (zh
Inventor
李长乐
李帆
付宇钏
赵品灿
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN202010074874.7A priority Critical patent/CN111211893B/zh
Publication of CN111211893A publication Critical patent/CN111211893A/zh
Priority to AU2021200302A priority patent/AU2021200302B2/en
Priority to US17/155,057 priority patent/US11509472B2/en
Application granted granted Critical
Publication of CN111211893B publication Critical patent/CN111211893B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/06—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols the encryption apparatus using shift registers or memories for block-wise or stream coding, e.g. DES systems or RC4; Hash functions; Pseudorandom sequence generators
    • H04L9/0643—Hash functions, e.g. MD5, SHA, HMAC or f9 MAC
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/30—Public key, i.e. encryption algorithm being computationally infeasible to invert or user's encryption keys not requiring secrecy
    • H04L9/3066—Public key, i.e. encryption algorithm being computationally infeasible to invert or user's encryption keys not requiring secrecy involving algebraic varieties, e.g. elliptic or hyper-elliptic curves
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3236—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using cryptographic hash functions
    • H04L9/3239—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials using cryptographic hash functions involving non-keyed hash functions, e.g. modification detection codes [MDCs], MD5, SHA or RIPEMD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
    • H04L9/0861—Generation of secret information including derivation or calculation of cryptographic keys or passwords
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/08—Key distribution or management, e.g. generation, sharing or updating, of cryptographic keys or passwords
    • H04L9/0861—Generation of secret information including derivation or calculation of cryptographic keys or passwords
    • H04L9/0869—Generation of secret information including derivation or calculation of cryptographic keys or passwords involving random numbers or seeds
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
    • H04L9/3297—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials involving time stamps, e.g. generation of time stamps
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
    • H04W4/44—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P] for communication between vehicles and infrastructures, e.g. vehicle-to-cloud [V2C] or vehicle-to-home [V2H]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L2209/00—Additional information or applications relating to cryptographic mechanisms or cryptographic arrangements for secret or secure communication H04L9/00
    • H04L2209/80—Wireless
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L2209/00—Additional information or applications relating to cryptographic mechanisms or cryptographic arrangements for secret or secure communication H04L9/00
    • H04L2209/84—Vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Security & Cryptography (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Medical Informatics (AREA)
  • Power Engineering (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种应用区块链的自动驾驶汽车模型共享方法，旨在提高自动驾驶汽车决策的准确率和效率。其实现步骤包括：1)构建移动边缘计算网络；2)生成移动边缘计算网络中每个节点的密钥对；3)构建移动边缘计算网络中移动节点集合的本地模型集合；4)每个移动节点与距离其最近的移动边缘计算节点进行通信；5)移动边缘计算节点集合获取超级节点序列；6)基于超级节点序列构建区块链；7)对本地模型集合进行更新。本发明与现有的自动驾驶汽车模型训练的方法相比，在将模型用于自动驾驶汽车行驶过程中的决策时，有效提高了决策的准确率和效率。

Description

一种应用区块链的自动驾驶汽车模型共享方法
技术领域
本发明属于自动驾驶技术领域，涉及一种应用区块链的自动驾驶汽车模型共享方法，可用于实现更安全可靠的自动驾驶。
背景技术
自动驾驶汽车在行驶过程中遇到障碍物时需要作出减速、加速、转弯的决策，基于学习的方法是典型的自动驾驶汽车决策方法，决策过程中需要对模型进行训练，而模型的准确率和训练模型的效率是决定决策准确率和效率的关键因素。
目前对模型进行训练的方法分为基于单车的模型训练方法和基于云端的模型训练方法，其中基于单车的模型训练方法，是自动驾驶汽车独立完成数据采集和模型训练，这种方法由于单个自动驾驶汽车传感器数量和驾驶场景有限，得到的模型在用于自动驾驶决策时，决策的准确率很难保证，并且由于单车计算能力有限，决策的效率较低。
基于云端的模型训练方法，是自动驾驶汽车将传感器采集到的数据上传到云端中心，在云端中心上训练模型，然后自动驾驶汽车从云端下载模型，这种方法解决了单个自动驾驶车辆传感器数量、驾驶场景以及计算能力受限的问题，是目前自动驾驶汽车训练模型广泛采用的方法，例如申请公布号为CN110196593A，名称为“一种自动驾驶多场景环境检测及决策***及方法”的专利申请，公开了一种基于云端的模型训练方法，该方法将自动驾驶汽车通过车载核心传感器采集的数据压缩存储并定期上传到云端中心，在云端中心上通过机器学习训练模型，这种训练方法所获取的模型应用到自动驾驶汽车决策过程中，具有较高的决策准确率和效率，但其存在的不足之处在于：1、模型只能在云端中心进行训练，一旦云端中心服务器发生故障，模型训练就无法完成，自动驾驶汽车就无法从云端中心下载模型实现决策；2、在云端训练模型无法保证模型训练过程中数据不被恶意节点篡改，一旦数据被篡改，云端中心训练的模型就不准确，自动驾驶汽车再从云端中心下载不准确的模型用于决策，决策的准确率就较低；3、自动驾驶汽车向云端上传数据时，云端没有对自动驾驶汽车的身份进行验证，一旦有恶意节点上传错误的数据，云端用错误的数据训练模型，自动驾驶汽车再从云端下载错误的模型用于决策，决策的准确率就较低；4、自动驾驶汽车需要上传大量数据到云端中心，对通信网络造成很大的负担，数据上传速度会较慢，造成模型训练效率较低，从而自动驾驶决策的效率较低。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷，提出一种应用区块链的自动驾驶汽车模型共享方法，旨在提高自动驾驶汽车决策的准确率和效率。
为实现上述目的，本发明采用的技术方案包括如下步骤：
(1)构建移动边缘计算网络：
将安装有车载传感器的自动驾驶汽车作为移动节点，将路侧单元作为移动边缘计算节点，并通过m个移动节点组成的移动节点集合V和n个移动边缘计算节点组成的移动边缘计算节点集合MECN，构建每个移动节点与每个移动边缘计算节点之间可以实现无线通信的移动边缘计算网络，其中，V＝{v1,v2,...,vj,...,vm}，MECN＝{MECN1,MECN2,...,MECNi,...,MECNn}，vj表示第j个移动节点，m≥2，MECNi表示第i个移动边缘计算节点，n≥50；
(2)生成移动边缘计算网络中每个节点的密钥对：
采用椭圆曲线算法计算移动边缘计算网络中每个移动节点vj的密钥对
Figure BDA0002378233270000021
以及每个移动边缘计算节点MECNi的密钥对
Figure BDA0002378233270000022
得到V的密钥对集合KeyV和MECN的密钥对集合KeyMECN：
Figure BDA0002378233270000023
Figure BDA0002378233270000024
其中，
Figure BDA0002378233270000025
和
Figure BDA0002378233270000026
分别为vj的公钥和私钥，
Figure BDA0002378233270000027
和
Figure BDA0002378233270000028
分别为MECNk的公钥和私钥；
(3)构建移动节点集合V的本地模型LM：
每个移动节点vj将车载传感器采集的环境感知信息作为深度神经网络DNN的输入进行迭代训练，得到V的本地模型LM，LM＝{lm1,lm2,...,lmj,...,lmm}，其中，lmj表示vj的本地模型；
(4)每个移动节点vj与距离其最近的移动边缘计算节点MECNk进行通信：
(4a)每个移动节点vj根据传感器采集到的环境感知信息选取距离其最近的MECNk，并将本地模型上传请求
Figure BDA0002378233270000031
和私钥
Figure BDA0002378233270000032
发送至MECNk，其中：
Figure BDA0002378233270000033
其中，timestampj表示建立
Figure BDA0002378233270000034
的时间；
(4b)MECNk通过私钥
Figure BDA0002378233270000035
查看
Figure BDA0002378233270000036
并通过公钥
Figure BDA0002378233270000037
确认发送请求的移动节点的身份，然后向vj发送允许上传本地模型的应答
Figure BDA0002378233270000038
和私钥
Figure BDA0002378233270000039
其中：
Figure BDA00023782332700000310
其中，timestampk表示MECNk建立
Figure BDA00023782332700000311
的时间；
(4c)每个移动节点vj将lmj上传至MECNk；
(5)MECN获取P个超级节点序列：
(5a)设迭代次数为p，最大迭代次数为P，P≥1，并令p＝1；
(5b)移动边缘计算节点集合MECN根据BFT-DPoS共识机制，选取21个移动边缘计算节点作为超级节点，并对21个超级节点进行随机排序，得到超级节点序列
Figure BDA00023782332700000312
其中，
Figure BDA00023782332700000313
表示第p次选取的21个超级节点中的第s个超级节点；
(5c)判断p＝P是否成立，若是，得到P个超级节点序列，否则，令p＝p+1，并执行步骤(5b)；
(6)基于P个超级节点序列构建区块链：
(6a)设待构建的区块链中的第t个区块为Blockt，Blockt的哈希值和时间戳分别为h(Blockt)和timestampt，并令t＝1，p＝1，s＝1；
(6b)
Figure BDA0002378233270000041
生成包括LM、h(Blockt)和timestampt的区块Blockt，并将Blockt作为待构建的区块链的创世区块；
(6c)令s＝2，t＝2；
(6d)
Figure BDA0002378233270000042
生成包括LM、h(Blockt)、h(Blockt-1)和timestampt的区块Blockt；
(6e)
Figure BDA0002378233270000043
向其他超级节点广播Blockt，其他每个超级节点对h(Blockt)与预设的阈值ε进行比较，若h(Blockt)＜ε，则Blockt有效，否则，Blockt无效；
(6f)
Figure BDA0002378233270000044
判断有效的Blockt的数量是否超过
Figure BDA0002378233270000045
若是，将Blockt作为待构建的区块链的新增区块，并令t＝t+1，执行步骤(6g)，否则丢弃Blockt并执行步骤(6g)；
(6g)判断s＝21是否成立，若是，得到待构建区块链的第p个子链，并执行步骤(6h)，否则，令s＝s+1，并执行步骤(6d)；
(6h)判断p＝P是否成立，若是，得到由P个子链构成的区块链，否则，令p＝p+1，s＝1，并执行步骤(6d)；
(7)对本地模型LM进行更新：
(7a)第j个移动节点vj下载区块链上末尾区块中的LM，并通过lmj的权重Wj和偏置bj计算LM的权重
Figure BDA0002378233270000046
和偏置
Figure BDA0002378233270000047
计算公式如下:
Figure BDA0002378233270000048
Figure BDA0002378233270000049
(7b)第j个移动节点vj采用DNN参数更新公式，并通过
Figure BDA0002378233270000051
和
Figure BDA0002378233270000052
对LM进行更新，得到更新后的本地模型。
本发明与现有技术相比，具有以下优点：
1、由于本发明移动边缘网络中的每一个移动节点都可以训练模型，除非移动边缘网络中的所有移动节点都发生故障，移动节点始终能从区块链上下载到模型，有效保证了自动驾驶决策能够完成。
2、由于本发明在构建区块链时，除创世区块外，每一个区块都需要用到上一区块的哈希值，要想修改某一个区块中的信息都需要先修改前一个区块的信息，一直修改到创世区块，修改信息的难度极大，由此保证了区块链中的模型不会被恶意节点篡改，有效提高了自动驾驶决策的准确率。
3、由于本发明每个移动节点在上传模型之前，需要发送模型上传请求，移动边缘计算节点根据请求中的公钥验证移动节点的身份后，移动节点才能上传模型，保证了模型来自于移动边缘计算网络中的可靠的移动节点，进一步提高了自动驾驶决策的准确率。
4、由于本发明在移动边缘计算网络中的每一个移动节点上训练模型，并通过部分移动边缘计算节点组成的超级节点序列将模型打包到区块链上，移动节点从区块链上下载模型集合并更新模型，在这个过程中模型的训练分散在每一个移动节点上进行，相比现有技术中将数据汇聚到云端，并在云端训练模型，模型训练的效率提高，因此有效提高了自动驾驶决策的效率。
附图说明
图1是本发明的实现流程图；
图2是本发明基于P个超级节点序列构建区块链的实现流程图。
具体实施方式
以下结合附图和具体实施例，对本发明作进一步的详细描述。
参照图1，本发明包括如下步骤：
步骤1)构建移动边缘计算网络：
将安装有车载传感器的自动驾驶汽车作为移动节点，将路侧单元作为移动边缘计算节点，并通过m个移动节点组成的移动节点集合V和n个移动边缘计算节点组成的移动边缘计算节点集合MECN，构建每个移动节点与每个移动边缘计算节点之间可以实现无线通信的移动边缘计算网络，其中，V＝{v1,v2,...,vj,...,vm}，MECN＝{MECN1,MECN2,...,MECNi,...,MECNn}，vj表示第j个移动节点，m≥2，MECNi表示第i个移动边缘计算节点，n≥50，本实施例m＝4，n＝50，选用配置有车载通信***、comma.ai自动驾驶仪的丰田RAV4作为移动节点，行驶速度为30～50km/h，加速度为-2～2m/s2；
步骤2)生成移动边缘计算网络中每个节点的密钥对：
(2a)采用椭圆曲线算法在椭圆曲线上选取基点G，并对每个移动节点vj生成一个256位的随机数
Figure BDA0002378233270000061
对每个移动边缘计算节点MECNi生成一个256位的随机数
Figure BDA0002378233270000062
并将
Figure BDA0002378233270000063
作为vj的私钥，将
Figure BDA0002378233270000064
作为MECNi的私钥；
(2b)计算移动节点vj的公钥
Figure BDA0002378233270000065
和移动边缘计算节点MECNi的公钥
Figure BDA0002378233270000066
公钥
Figure BDA0002378233270000067
可用于验证移动节点vj的身份：
Figure BDA0002378233270000068
Figure BDA0002378233270000069
(2c)得到移动边缘计算网络中每个移动节点vj的密钥对
Figure BDA00023782332700000610
以及每个移动边缘计算节点MECNi的密钥对
Figure BDA00023782332700000611
得到V的密钥对集合KeyV和MECN的密钥对集合KeyMECN：
Figure BDA00023782332700000612
Figure BDA00023782332700000613
步骤3)构建移动节点集合V的本地模型LM：
每个移动节点vj将车载传感器采集的环境感知信息作为深度神经网络DNN的输入进行迭代训练，得到V的本地模型LM，LM＝{lm1,lm2,...,lmj,...,lmm}，其中，lmj表示vj的本地模型，本实施例DNN的层数为5,每一层的节点数为20；
步骤4)每个移动节点vj与距离其最近的移动边缘计算节点MECNk进行通信：
(4a)每个移动节点vj根据传感器采集到的环境感知信息选取距离其最近的MECNk，并将本地模型上传请求
Figure BDA0002378233270000071
和私钥
Figure BDA0002378233270000072
发送至MECNk，其中：
Figure BDA0002378233270000073
其中，timestampj表示建立
Figure BDA0002378233270000074
的时间；
(4b)MECNk通过私钥
Figure BDA0002378233270000075
查看
Figure BDA0002378233270000076
并通过公钥
Figure BDA0002378233270000077
确认发送请求的移动节点的身份，然后向vj发送允许上传本地模型的应答
Figure BDA0002378233270000078
和私钥
Figure BDA0002378233270000079
其中：
Figure BDA00023782332700000710
其中，timestampk表示MECNk建立
Figure BDA00023782332700000711
的时间；
由于MECNk通过公钥
Figure BDA00023782332700000712
验证了发送请求的节点的身份，保证了能够上传模型节点是移动边缘网络中的可靠节点，有效提高了自动驾驶决策的准确性；
(4c)每个移动节点vj将lmj上传至MECNk；
步骤5)MECN获取P个超级节点序列：
(5a)设迭代次数为p，最大迭代次数为P，P≥1，并令p＝1；
(5b)移动边缘计算节点集合MECN中的所有移动边缘计算节点同时作为投票节点和候选节点，通过BFT-DPoS共识机制进行投票选举，以获取得票最高的21个移动边缘计算节点，并将其作为超级节点，对21个超级节点进行随机排序，得到超级节点序列
Figure BDA00023782332700000713
其中，
Figure BDA00023782332700000714
表示第p次选取的21个超级节点中的第s个超级节点；
(5c)判断p＝P是否成立，若是，得到P个超级节点序列，否则，令p＝p+1，并执行步骤(5b)；
步骤6)基于P个超级节点序列构建区块链，实现步骤如图2所示：
(6a)设待构建的区块链中的第t个区块为Blockt，Blockt的哈希值和时间戳分别为h(Blockt)和timestampt，并令t＝1，p＝1，s＝1；
(6b)
Figure BDA0002378233270000081
生成包括LM、h(Blockt)和timestampt区块Blockt，并将Blockt作为待构建的区块链的创世区块；
(6c)令s＝2，t＝2；
(6d)
Figure BDA0002378233270000082
生成包括LM、h(Blockt)、h(Blockt-1)和timestampt的区块Blockt；
(6e)
Figure BDA0002378233270000083
向其他超级节点广播Blockt，其他每个超级节点对h(Blockt)与预设的阈值ε进行比较，若h(Blockt)＜ε，则Blockt有效，否则，Blockt无效；
(6f)
Figure BDA0002378233270000084
判断有效的Blockt的数量是否超过
Figure BDA0002378233270000085
若是，将Blockt作为待构建的区块链的新增区块，并令t＝t+1，执行步骤(6g)，否则丢弃Blockt并执行步骤(6g)；
(6g)判断s＝21是否成立，若是，得到待构建区块链的第p个子链，并执行步骤(6h)，否则，令s＝s+1，并执行步骤(6d)；
(6h)判断p＝P是否成立，若是，得到由P个子链构成的区块链，否则，令p＝p+1，s＝1，并执行步骤(6d)；
由于在构建区块链时，除创世区块外，每一个区块都需要用到上一区块的哈希值，要想修改某一个区块中的信息都需要先修改前一个区块的信息，一直修改到创世区块，修改信息的难度极大，保证了区块链中的模型信息不会被恶意节点篡改，进一步提高了自动驾驶决策的准确率。
步骤7)对本地模型V进行更新：
(7a)第j个移动节点vj下载区块链上末尾区块中的LM，并通过lmj的权重Wj和偏置bj计算LM的权重
Figure BDA0002378233270000086
和偏置
Figure BDA0002378233270000087
计算公式如下:
Figure BDA0002378233270000091
Figure BDA0002378233270000092
(7b)第j个移动节点vj将
Figure BDA0002378233270000093
和
Figure BDA0002378233270000094
代入DNN参数更新公式进行更新，得到将LM更新后的本地模型，DNN参数更新公式的表达式为：
Figure BDA0002378233270000095
Figure BDA0002378233270000096
其中，
Figure BDA0002378233270000097
表示DNN第l层的权重，
Figure BDA0002378233270000098
表示DNN第l层的偏置，(al-1)T表示DNN第l-1层的输出矢量的转置，
Figure BDA0002378233270000099
表示DNN的损失函数关于
Figure BDA00023782332700000910
的，η为学习速率。

Claims (4)

1.一种应用区块链的自动驾驶汽车模型共享方法，其特征在于，包括如下步骤：
(1)构建移动边缘计算网络：
将安装有车载传感器的自动驾驶汽车作为移动节点，将路侧单元作为移动边缘计算节点，并通过m个移动节点组成的移动节点集合V和n个移动边缘计算节点组成的移动边缘计算节点集合MECN，构建每个移动节点与每个移动边缘计算节点之间可以实现无线通信的移动边缘计算网络，其中，V＝{v1,v2,...,vj,...,vm}，MECN＝{MECN1,MECN2,...,MECNi,...,MECNn}，vj表示第j个移动节点，m≥2，MECNi表示第i个移动边缘计算节点，n≥50；
(2)生成移动边缘计算网络中每个节点的密钥对：
采用椭圆曲线算法计算移动边缘计算网络中每个移动节点vj的密钥对
Figure FDA0002378233260000011
以及每个移动边缘计算节点MECNi的密钥对
Figure FDA0002378233260000012
得到V的密钥对集合KeyV和MECN的密钥对集合KeyMECN：
Figure FDA0002378233260000013
Figure FDA0002378233260000014
其中，
Figure FDA0002378233260000015
和
Figure FDA0002378233260000016
分别为vj的公钥和私钥，
Figure FDA0002378233260000017
和
Figure FDA0002378233260000018
分别为MECNk的公钥和私钥；
(3)构建移动节点集合V的本地模型LM：
每个移动节点vj将车载传感器采集的环境感知信息作为深度神经网络DNN的输入进行迭代训练，得到V的本地模型LM，LM＝{lm1,lm2,...,lmj,...,lmm}，其中，lmj表示vj的本地模型；
(4)每个移动节点vj与距离其最近的移动边缘计算节点MECNk进行通信：
(4a)每个移动节点vj根据传感器采集到的环境感知信息选取距离其最近的MECNk，并将本地模型上传请求
Figure FDA0002378233260000021
和私钥
Figure FDA0002378233260000022
发送至MECNk，其中：
Figure FDA0002378233260000023
其中，timestampj表示建立
Figure FDA0002378233260000024
的时间；
(4b)MECNk通过私钥
Figure FDA0002378233260000025
查看
Figure FDA0002378233260000026
并通过公钥
Figure FDA0002378233260000027
确认发送请求的移动节点的身份，然后向vj发送允许上传本地模型的应答
Figure FDA0002378233260000028
和私钥
Figure FDA0002378233260000029
其中：
Figure FDA00023782332600000210
其中，timestampk表示MECNk建立
Figure FDA00023782332600000211
的时间；
(4c)每个移动节点vj将lmj上传至MECNk；
(5)MECN获取P个超级节点序列：
(5a)设迭代次数为p，最大迭代次数为P，P≥1，并令p＝1；
(5b)移动边缘计算节点集合MECN根据BFT-DPoS共识机制，选取21个移动边缘计算节点作为超级节点，并对21个超级节点进行随机排序，得到超级节点序列
Figure FDA00023782332600000212
其中，
Figure FDA00023782332600000213
表示第p次选取的21个超级节点中的第s个超级节点；
(5c)判断p＝P是否成立，若是，得到P个超级节点序列，否则，令p＝p+1，并执行步骤(5b)；
(6)基于P个超级节点序列构建区块链：
(6a)设待构建的区块链中的第t个区块为Blockt，Blockt的哈希值和时间戳分别为h(Blockt)和timestampt，并令t＝1，p＝1，s＝1；
(6b)
Figure FDA0002378233260000031
生成包括LM、h(Blockt)和timestampt的区块Blockt，并将Blockt作为待构建的区块链的创世区块；
(6c)令s＝2，t＝2；
(6d)
Figure FDA0002378233260000032
生成包括LM、h(Blockt)、h(Blockt-1)和timestampt的区块Blockt；
(6e)
Figure FDA0002378233260000033
向其他超级节点广播Blockt，其他每个超级节点对h(Blockt)与预设的阈值ε进行比较，若h(Blockt)＜ε，则Blockt有效，否则，Blockt无效；
(6f)
Figure FDA0002378233260000034
判断有效的Blockt的数量是否超过
Figure FDA0002378233260000035
若是，将Blockt作为待构建的区块链的新增区块，并令t＝t+1，执行步骤(6g)，否则丢弃Blockt并执行步骤(6g)；
(6g)判断s＝21是否成立，若是，得到待构建区块链的第p个子链，并执行步骤(6h)，否则，令s＝s+1，并执行步骤(6d)；
(6h)判断p＝P是否成立，若是，得到由P个子链构成的区块链，否则，令p＝p+1，s＝1，并执行步骤(6d)；
(7)对本地模型LM进行更新：
(7a)第j个移动节点vj下载区块链上末尾区块中的LM，并通过lmj的权重Wj和偏置bj计算LM的权重
Figure FDA0002378233260000036
和偏置
Figure FDA0002378233260000037
计算公式如下:
Figure FDA0002378233260000038
Figure FDA0002378233260000039
(7b)第j个移动节点vj采用DNN参数更新公式，并通过
Figure FDA00023782332600000310
和
Figure FDA00023782332600000311
对LM进行更新，得到更新后的本地模型。
2.根据权利要求1所述的一种应用区块链的自动驾驶汽车模型共享方法，其特征在于，步骤(2)中所述的采用椭圆曲线算法计算移动边缘计算网络中每个移动节点vj的密钥对
Figure FDA0002378233260000041
以及每个移动边缘计算节点MECNi的密钥对
Figure FDA0002378233260000042
实现步骤为：
(2a)采用椭圆曲线算法在椭圆曲线上选取基点G，并对每个移动节点vj生成一个256位的随机数
Figure FDA0002378233260000043
对每个移动边缘计算节点MECNi生成一个256位的随机数
Figure FDA0002378233260000044
并将
Figure FDA0002378233260000045
作为vj的私钥，将
Figure FDA0002378233260000046
作为MECNi的私钥；
(2b)计算移动节点vj的公钥
Figure FDA0002378233260000047
和移动边缘计算节点MECNi的公钥
Figure FDA0002378233260000048
Figure FDA0002378233260000049
Figure FDA00023782332600000410
3.根据权利要求1所述的一种应用区块链的自动驾驶汽车模型共享方法，其特征在于，步骤(5b)所述的移动边缘计算节点集合MECN根据BFT-DPoS共识机制，选取21个移动边缘计算节点作为超级节点，实现方法为：MECN中的所有移动边缘计算节点同时作为投票节点和候选节点，通过BFT-DPoS共识机制进行投票选举，以获取得票最高的21个移动边缘计算节点，并将其作为超级节点。
4.根据权利要求1所述的一种应用区块链的自动驾驶汽车模型共享方法，其特征在于，步骤(7b)所述的DNN参数更新公式，表达式为：
Figure FDA00023782332600000411
Figure FDA00023782332600000412
其中，
Figure FDA00023782332600000413
表示DNN第l层的权重，
Figure FDA00023782332600000414
表示DNN第l层的偏置，(al-1)T表示DNN第l-1层的输出矢量的转置，
Figure FDA00023782332600000415
表示DNN的损失函数关于
Figure FDA00023782332600000416
的，η为学习速率。
CN202010074874.7A 2020-01-22 2020-01-22 一种应用区块链的自动驾驶汽车模型共享方法 Active CN111211893B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202010074874.7A CN111211893B (zh) 2020-01-22 2020-01-22 一种应用区块链的自动驾驶汽车模型共享方法
AU2021200302A AU2021200302B2 (en) 2020-01-22 2021-01-19 Method for sharing models among autonomous vehicles based on blockchain
US17/155,057 US11509472B2 (en) 2020-01-22 2021-01-21 Method for sharing models among autonomous vehicles based on blockchain

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010074874.7A CN111211893B (zh) 2020-01-22 2020-01-22 一种应用区块链的自动驾驶汽车模型共享方法

Publications (2)

Publication Number Publication Date
CN111211893A true CN111211893A (zh) 2020-05-29
CN111211893B CN111211893B (zh) 2022-03-04

Family

ID=70788497

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010074874.7A Active CN111211893B (zh) 2020-01-22 2020-01-22 一种应用区块链的自动驾驶汽车模型共享方法

Country Status (3)

Country Link
US (1) US11509472B2 (zh)
CN (1) CN111211893B (zh)
AU (1) AU2021200302B2 (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111800508A (zh) * 2020-07-06 2020-10-20 广元量知汇科技有限公司 基于大数据的自动驾驶故障监测方法
CN111866066A (zh) * 2020-06-04 2020-10-30 江苏理工学院 基于DPoS的车联网共识算法
CN112651446A (zh) * 2020-12-29 2021-04-13 杭州趣链科技有限公司 一种基于联盟链的无人驾驶汽车训练方法
CN112863175A (zh) * 2020-12-31 2021-05-28 平安科技（深圳）有限公司 汽车道路监测数据处理方法、装置、设备及存储介质
CN114613100A (zh) * 2022-03-11 2022-06-10 北京悟空出行科技有限公司 驾驶员状态监测方法、装置、***、电子设备及存储介质
WO2022156520A1 (zh) * 2021-01-25 2022-07-28 国汽智控(北京)科技有限公司 一种云路协同的自动驾驶模型训练、调取方法及***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109895786A (zh) * 2019-03-29 2019-06-18 深圳市元征科技股份有限公司 一种自动驾驶辅助方法、装置、设备及可读存储介质
CN110155079A (zh) * 2019-04-09 2019-08-23 安徽四创电子股份有限公司 基于区块链技术的辅助驾驶***及方法
US20190297544A1 (en) * 2017-04-07 2019-09-26 Vapor IO Inc. Distributed handoff-related processing for wireless networks

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107145387B (zh) * 2017-05-23 2019-09-10 南京大学 一种车载网环境下基于深度强化学习的任务调度方法
US20190012595A1 (en) * 2017-07-07 2019-01-10 Pointr Data, Inc. Neural network consensus using blockchain
US11748835B2 (en) * 2020-01-27 2023-09-05 Hewlett Packard Enterprise Development Lp Systems and methods for monetizing data in decentralized model building for machine learning using a blockchain

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190297544A1 (en) * 2017-04-07 2019-09-26 Vapor IO Inc. Distributed handoff-related processing for wireless networks
CN109895786A (zh) * 2019-03-29 2019-06-18 深圳市元征科技股份有限公司 一种自动驾驶辅助方法、装置、设备及可读存储介质
CN110155079A (zh) * 2019-04-09 2019-08-23 安徽四创电子股份有限公司 基于区块链技术的辅助驾驶***及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杨逸群: "基于大数据与区块链背景下的自动驾驶技术", 《时代汽车》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111866066A (zh) * 2020-06-04 2020-10-30 江苏理工学院 基于DPoS的车联网共识算法
CN111866066B (zh) * 2020-06-04 2023-11-07 江苏理工学院 基于DPoS的车联网共识算法
CN111800508A (zh) * 2020-07-06 2020-10-20 广元量知汇科技有限公司 基于大数据的自动驾驶故障监测方法
CN112651446A (zh) * 2020-12-29 2021-04-13 杭州趣链科技有限公司 一种基于联盟链的无人驾驶汽车训练方法
CN112651446B (zh) * 2020-12-29 2023-04-14 杭州趣链科技有限公司 一种基于联盟链的无人驾驶汽车训练方法
CN112863175A (zh) * 2020-12-31 2021-05-28 平安科技（深圳）有限公司 汽车道路监测数据处理方法、装置、设备及存储介质
CN112863175B (zh) * 2020-12-31 2022-11-22 平安科技（深圳）有限公司 汽车道路监测数据处理方法、装置、设备及存储介质
WO2022156520A1 (zh) * 2021-01-25 2022-07-28 国汽智控(北京)科技有限公司 一种云路协同的自动驾驶模型训练、调取方法及***
CN114613100A (zh) * 2022-03-11 2022-06-10 北京悟空出行科技有限公司 驾驶员状态监测方法、装置、***、电子设备及存储介质
CN114613100B (zh) * 2022-03-11 2024-06-07 北京悟空出行科技有限公司 驾驶员状态监测方法、装置、***、电子设备及存储介质

Also Published As

Publication number Publication date
CN111211893B (zh) 2022-03-04
AU2021200302A1 (en) 2021-08-05
AU2021200302B2 (en) 2022-07-07
US20210226790A1 (en) 2021-07-22
US11509472B2 (en) 2022-11-22

Similar Documents

Publication Publication Date Title
CN111211893B (zh) 一种应用区块链的自动驾驶汽车模型共享方法
US11375352B2 (en) Devices and methods for updating maps in autonomous driving systems in bandwidth constrained networks
CN110249342B (zh) 使用机器学习模型的自适应信道编码
CN113010305B (zh) 部署在边缘计算网络中的联邦学习***及其学习方法
CN113169927B (zh) 判定装置、判定程序、判定方法及神经网络模型的生成方法
CN115081002B (zh) 用于去中心化联邦学习的聚合服务器选择方法
Aparna et al. Steering angle prediction for autonomous driving using federated learning: The impact of vehicle-to-everything communication
CN113313264A (zh) 车联网场景下的高效联邦学习方法
Ercan et al. New features for position falsification detection in vanets using machine learning
CN114492739A (zh) 基于车联网的联邦学习方法、路边单元、车辆节点和基站
Watanabe et al. Machine-learning-based hazardous spot detection framework by mobile sensing and opportunistic networks
Dickey et al. Wiggle: Physical challenge-response verification of vehicle platooning
Bordonaro et al. Modeling efficient and effective communications in vanet through population protocols
Jeong et al. Deep reinforcement learning-based task offloading decision in the time varying channel
CN117576655A (zh) 基于联邦学习的交通标志检测方法与***
Brandes et al. RF waveform synthesis guided by deep reinforcement learning
CN113726894B (zh) 一种基于深度强化学习的多车应用计算卸载方法及终端
CN117082505A (zh) 数据安全共享方法、***及装置、电子设备和存储介质
CN116484945A (zh) 面向图结构数据的联邦元学习方法
CN114745337B (zh) 一种基于深度强化学习的实时拥塞控制方法
Huang et al. DAG-based swarm learning: A secure asynchronous learning framework for internet of vehicles
CN112765892B (zh) 一种异构车联网中的智能切换判决方法
Marouane et al. A review and a tutorial of ML-based MDS technology within a VANET context: From data collection to trained model deployment
CN114915429B (zh) 一种通信感知计算一体化网络分布式可信感知方法及***
CN113645055B (zh) 一种适用于复杂战场环境下多因素路由协议的实现方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant