【技术实现步骤摘要】
本专利技术属于移动通信，涉及一种车联网中基于双层区块链的个性化智能跟驰方法。
技术介绍
1、随着智能交通系统和车联网技术的发展，自动驾驶和智能驾驶辅助系统已经成为现代汽车工业的热点研究方向。车联网(internetofvehicles,iov)通过将cav、基础设施和网络连接起来，实现了信息的实时共享和智能调度，提高了交通效率和行车安全。然而，传统的车联网系统在处理个性化驾驶需求和cav跟驰控制时，面临数据隐私、安全和通信效率等多方面的挑战。
2、联邦学习(federatedlearning，fl)是一种分布式机器学习方法，旨在多个设备或节点上共同训练模型，而无需将数据集中上传到一个服务器上。由于数据不需要离开本地设备，联邦学习显著提高了数据隐私和安全性。此外，在联邦学习中，只传输模型参数而不是原始参数，减少了通信带宽的需求，这种方法适用于数据隐私和安全性要求高的场景，但其容易遭受模型参数的反向推断攻击，使得传输过程的安全性降低。
3、在此背景下，区块链技术因其具有去中心化、不可篡改和透明性等特点，可与联邦学习结合，提供系统级的防篡改和可追溯。基于区块链的车联网系统可以通过智能合约实现自动化管理，并通过共识机制确保数据的真实性和安全性，从而有效解决传统中心化系统的单点故障和数据泄露问题。
4、深度强化学习(deepreinforcementlearning，drl)作为机器学习的一个重要分支，智能体通过与环境的交互，能够自主学习最优策略，广泛应用于机器人控制、游戏对战和智能驾驶等领域。将drl
5、为了解决上述问题，本专利技术设计了一种基于双层区块链的个性化智能跟驰方法。该方法结合区块链和drl技术，通过双层区块链网络实现cav间的协同学习和模型共享，利用群体智慧提升个体cav的跟驰控制性能的同时保护了cav用户的隐私。具体而言，任务发布方在区块链网络中注册并发布训练任务，cav在本地进行初步模型训练，并通过区块链网络进行模型更新和共享，从而在保证数据隐私和安全的前提下，实现高效的个性化跟驰控制。本专利技术不仅提升了车联网系统的智能化和自适应能力，还提供了一种安全可靠的解决方法，有望在未来的智能交通系统中得到广泛应用。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种车联网中基于双层区块链的个性化智能跟驰方法，通过区块链技术的分布式账本，确保车联网数据的安全和隐私；同时，利用群强化学习在分布式环境中训练个性化跟驰模型，实现cav间的高效协同和跟驰。
2、为达到上述目的，本专利技术提供如下技术方案：
3、第一方面，本专利技术根据车联网中个性化跟驰智能驾驶场景以及cav用户数据隐私保护要求，提供一种基于双层区块链的个性化智能跟驰方法，该方法执行流程如下：
4、s1：基于双层区块链的群学习drl架构；
5、s2：基于名誉值的cav选择策略；
6、s3：基于ddpg的个性化跟驰模型；
7、第二方面，本专利技术实施例在s1中，建立了一个三层系统模型，其中包括：1)区块链层，用于任务发布方注册并发布学习内容及相关要求，记录训练结果；2)学习层，cav进行本地模型训练；3)cav层，展示cav在不同情境下的跟驰场景。
8、路侧单元(road side units，rsus)和基站(base stations，bss)是车联网中的关键通信设备，分别负责短距离的道路侧通信和广域的蜂窝网络通信。它们共同作用，提供高效、安全、可靠的车联网通信服务，促进智能交通系统的发展和应用。在本专利技术实例中，基于地理位置和bs覆盖范围将rsu和cav划分为多个分区，每个分区协同并行处理共识任务。每个分区独立维护一个区块链以记录个性化跟驰模型训练过程，模型共享以联邦学习的形式进行，cav仅上传训练模型参数而非本地原始数据，从而保证cav用户的数据隐私。
9、在区块链层采用双层区块链结构，包括上层基于dag的主链和下层基于pbft的分区区块链。其中，下层每个分区部署的子链是独立的，负责协调分区中的cav同步完成训练任务，子链中采用pbft共识，由该分区的多个rsus维护，负责片区内交易验证(包括身份验证和模型验证)和模型聚合过程。通过分区可减少事务并行处理数量，有效缓解区块链吞吐量限制；上层主链采用基于dag的异步共识机制，主链中的每笔交易都包含一个分区训练的模型，为不同分区之间提供安全的聚合方法，实现模型异步跨区验证，且dag链由所有分区的bs共同维护。与传统区块链链式结构不同的是，dag由于其并行的结构和无环性，允许多个交易同时添加和验证，从而实现异步处理。
10、分区内rsus与bs之间通过dsrc连接，组成一个分区内的边缘计算网络。分区之间bss通过有线网络连接，组成跨区边缘计算网络。cav与bss和rsus通过无线链路进行数据的传输，其模型上传和聚合的全过程将记录在分区区块链中。
11、首先，任务发布方在区块链网络中注册并发布训练任务，cav将基于ddpg进行个性化跟驰模型训练。其次，云端将初始模型下发至各分区区块链。最后，每个分区的bs会将该任务以及初始模型生成一个创世块，并添加到对应分区pbft子链中，所有节点在启动时基于创世块训练本地模型，并通过共识机制处理后续交易，上传区块。
12、第三方面，本专利技术实施例在s1中，提供一种模型上传至区块链的方法，cav根据在s3中得到的本地模型，被选中的cav将其本地模型上传至对应rsus聚合，rsus向其所在的区块链分区网络发出请求，各个子链将执行pbft共识，记录分区聚合参数。然后rsus将这些参数打包成交易上传至bss，rsu将完善交易的块头信息，包括版本号、时间戳、随机数、哈希值等。最后由bss上传至主链dag中。主链网络中的每笔交易都包含一个分区训练的模型，为分区之间提供安全的聚合方法，实现异步跨区验证。
13、第四方面，本专利技术实施例在s1中，提供一种cav训练任务终止方法，任务发布方会实时向bs请求当前模型更新的情况，并分析当前模型的性能，当其已达到要求时，向各分区bs和rsus发布任务终止信息，cav训练任务结束。根据rsus中记录的汽车名誉值情况，对其进行奖励或惩罚。此外，训练任务也可以长期进行，使其不断适应环境的动态变化。
14、第五方面，本专利技术实施例在s2中，提供一种基于名誉值的cav选择策略。cav在cav与环境不断交互中，将从多个角度考虑cav的表现，从中选取优质cav参与聚合，被选中的cav将其训练更新后的模型发送到对应的rsu进行聚合。cav名誉值由四部分组成：熟悉度、新鲜度、时变性、重要性。
15、因此，对于该名誉值的四部分：
16、1.熟悉度：由于drl无法提供具体的模型精度，该精度由平均奖励代替，平均奖本文档来自技高网...
【技术保护点】
1.一种车联网中基于双层区块链的个性化智能跟驰方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种车联网中基于双层区块链的个性化智能跟驰方法，其特征在于：所述S1中，建立一个三层系统模型，其中包括区块链层、学习层和智能网联汽车(Connected andAutonomous Vehicles,CAV)层；区块链层采用双层链架构，上层主链采用基于有向无环图(DirectedAcyclic Graph,DAG)共识的主链，下层采用基于PBFT共识的分区区块链构成；基于地理位置和基站(Base Station,BS)；覆盖范围将本场景划分为多个分区，每个分区由一个BS和多个路侧单元(Road Side Units,RSUs)构成，每个分区协同并行处理共识任务；模型共享采用联邦学习的形式进行；CAV层为在不同情境下的汽车跟驰场景；
3.根据权利要求1所述的一种车联网中基于双层区块链的个性化智能跟驰方法，其特征在于：所述S2中，CAV在CAV与环境不断交互中，将从多个角度考虑CAV的表现，从中选取优质CAV参与聚合，被选中的CAV将其训练更新后的模型
4.根据权利要求1所述的一种车联网中基于双层区块链的个性化智能跟驰方法，其特征在于：所述S3中，CAV通过其内置的通信模块向区块链网络发起身份请求，使用公钥基础设施PKI，验证CAV的身份，CAV的公钥私钥对用于签名验证；首先，CAV生成一个请求消息，包含唯一标识符和时间戳，并使用其私钥对消息进行签名；区块链网络中的认证节点接收到请求后，使用CAV的公钥验证签名的真实性；若验证通过，则CAV被授予访问权限；获取到当前初始模型后，CAV将其加载到本地计算模块；CAV执行基于DDPG的个性化跟驰模型训练，实现贴近驾驶员驾驶风格的高性能跟驰；首先，CAV收集当前环境信息并记录为当前状态；CAV策略网络会根据当前环境产生相应的动作决策，执行动作并对动作决策进行奖励评价；CAV将环境交互、动作、奖励的相关信息存储在经验回放内存中；当需要进行训练时，会从经验回放内存中按批次对经验数据进行采样，利用经验数据更新网络参数；
5.根据权利要求1所述的一种车联网中基于双层区块链的个性化智能跟驰方法，其特征在于：所述S2中，在直接属性评估阶段，CAVi在t时刻的名誉值由下式计算：
6.根据权利要求5所述的一种车联网中基于双层区块链的个性化智能跟驰方法，其特征在于：所述S3中，模型训练包含两个步骤：第一，CAV通过群学习共享聚合模型；第二，CAV使用DDPG基于本地数据训练个性化跟驰模型；群学习将边缘计算和区块链技术结合在一起，通过在RSUs上进行聚合，实现模型共享和分布式学习；
...【技术特征摘要】
1.一种车联网中基于双层区块链的个性化智能跟驰方法，其特征在于：该方法包括以下步骤：
2.根据权利要求1所述的一种车联网中基于双层区块链的个性化智能跟驰方法，其特征在于：所述s1中，建立一个三层系统模型，其中包括区块链层、学习层和智能网联汽车(connected andautonomous vehicles,cav)层；区块链层采用双层链架构，上层主链采用基于有向无环图(directedacyclic graph,dag)共识的主链，下层采用基于pbft共识的分区区块链构成；基于地理位置和基站(base station,bs)；覆盖范围将本场景划分为多个分区，每个分区由一个bs和多个路侧单元(road side units,rsus)构成，每个分区协同并行处理共识任务；模型共享采用联邦学习的形式进行；cav层为在不同情境下的汽车跟驰场景；
3.根据权利要求1所述的一种车联网中基于双层区块链的个性化智能跟驰方法，其特征在于：所述s2中，cav在cav与环境不断交互中，将从多个角度考虑cav的表现，从中选取优质cav参与聚合，被选中的cav将其训练更新后的模型发送到对应的rsu进行聚合；cav名誉值由四部分组成：熟悉度、新鲜度、时变性和重要性；
4.根据权利要求1所述的一种车联网中基于双层区块链的个性化智能跟驰方法，其特征在于：所述s3中，cav通...
【专利技术属性】
技术研发人员：黄晓舸，何金泽，肖洒，肖亚莉，陈前斌，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。