Исследователи предложили основанную на блокчейне и федеративном обучении платформу связи V2V для 6G
Ключевые выводы
- •Объединённая команда Multimedia University, Университета штата Пенсильвания и Ноттингем Трент University представила на IEEE GLOBECOM 2023 платформу V2V, сочетающую блокчейн-консенсус, федеративное обучение и терагерцовую связь 6G; симуляции показали задержку ниже 0,1 миллисекунды и точность модели выше 94%.
- •Архитектура передаёт критически важные для безопасности сообщения через терагерцовый радиоинтерфейс на 300 ГГц, тогда как блокчейн проверяет участников, предотвращает атаки Сибил и фиксирует обязательства по моделям с блоками размером 1 МБ и интервалом 10 секунд.
- •За девять раундов федеративного обучения 100 симулированных автомобилей обменивались только обновлениями весов, а не сырой телеметрией, достигнув коэффициента k-анонимности выше 9, среднего времени до отказа 6 400 часов и пропускной способности 0,91 против трёх базовых методов.
- •Заявления о производительности опираются на двухэтапный оптимизатор: MOPSO балансирует цели обучения с бюджетами пропускной способности и вычислений, а процедура BACO/DQN минимизирует накладные расходы блокчейн-консенсуса, сохраняя византийскую отказоустойчивость.
- •Внедрение остаётся отдалённым: результаты по задержке получены только в симуляции, по состоянию на конец 2026 года нет обязательного распределения спектра для автомобильной терагерцовой связи, а кривые масштабирования за пределами 100 узлов в статье отсутствуют.

Исследовательская команда, объединяющая Multimedia University, Университет штата Пенсильвания и Ноттингем Трент University, предложила платформу, сочетающую блокчейн-консенсус, федеративное обучение и терагерцовую связь 6G для решения ключевых проблем доверия и задержек в коммуникациях «автомобиль-автомобиль» (V2V). По данным симуляций, задержка составляет менее 0,1 миллисекунды, а точность федеративной модели превышает 94%.
Статья была представлена на IEEE GLOBECOM 2023 в Куала-Лумпуре — одном из флагманских конференций IEEE Communications Society — и позднее размещена на arXiv, где доступна также HTML-версия. В ней описана архитектура, в которой ни один участник не обладает исключительным правом подтверждать обновления дорожной обстановки или веса моделей, которыми обмениваются автомобили. Вместо этого блокчейн-слой обеспечивает защищённые от подделки записи и распределённый консенсус между узлами, а федеративное обучение позволяет каждому автомобилю вносить вклад в обучение без передачи сырых сенсорных данных на центральный сервер.
Почему сети V2V не допускают ошибок
Коммуникации «автомобиль-автомобиль» требуют быстрого и надёжного обмена критически важными для безопасности сообщениями: предупреждениями о столкновении, сигналами экстренного торможения и оповещениями об опасностях на дороге. Ограничение беспощадно — сообщение, опоздавшее на 200 миллисекунд, приходит уже после аварии. Традиционные централизованные архитектуры создают единые точки отказа и заставляют автомобили доверять операторам инфраструктуры, чьи интересы могут не совпадать с задачами безопасности в реальном времени.
Как три технологии распределяют обязанности
Предложенная платформа отводит каждой технологии отдельную роль.
Терагерцовый слой 6G, работающий на несущей частоте 300 ГГц с полосой 10 ГГц, обеспечивает базовое подключение и оркестрацию на границе сети в радиусе связи 500 метров. Этот физический слой даёт ёмкость, необходимую для плотных автомобильных сетей; без него ни раунды блокчейн-консенсуса, ни синхронизация федеративных моделей не смогли бы уложиться в требования по задержке. Именно на этом слое остаются нерешённые предпосылки: 6G — поколение, идущее на смену 5G, — находится на стадии исследований и ранней стандартизации, а задействованные терагерцовые частоты пока не получили обязательных распределений спектра, о чём подробнее ниже.
Блокчейн отвечает за доверие и аудируемость. Вместо того чтобы полагаться на оператора дорожной инфраструктуры для подтверждения подлинности сообщения о торможении, участвующие автомобили используют распределённый реестр с размером блока 1 МБ и интервалом 10 секунд для проверки участников, фиксации обязательств по обновлениям моделей и предотвращения атак Сибил, при которых вредоносный узел заполняет сеть ложными данными.
Федеративное обучение решает вопрос приватности. Каждый из 100 симулированных автомобильных узлов обучает локальную модель на собственных данных о вождении, а затем передаёт только обновления весов модели, а не сырую телеметрию. Согласно адаптивной формуле скорости обучения из статьи, скорость обучения каждого автомобиля масштабируется в зависимости от отношения сигнала к интерференции и шуму и обратно пропорционально расстоянию между автомобилями, поэтому транспортные средства с более чистым сигналом и ближе расположенные вносят более значительный вклад в глобальную модель. Согласно параметрам симуляции из статьи, девяти раундов федеративного обучения с базовой скоростью обучения 0,01 и размером пакета 32 оказалось достаточно для достижения заявленных показателей точности.
Двухэтапный механизм оптимизации
Заявления о производительности платформы опираются на двухэтапный алгоритм оптимизации. Первый этап использует MOPSO (Multi-Objective Particle Swarm Optimization) для одновременного балансирования целей федеративного обучения — включая скорость сходимости и качество модели — с ограничениями распределения ресурсов, такими как бюджеты пропускной способности и вычислений в автомобильной сети. Второй этап применяет BACO/DQN — процедуру Blockchain-Assisted Consensus Optimization на основе Deep Q-Network — для минимизации накладных расходов распределённого блокчейн-консенсуса без отказа от византийской отказоустойчивости, то есть способности распределённой системы продолжать выдавать корректные результаты даже при отказе или злонамеренном поведении части участников.
Именно это сочетание делает цифры задержек правдоподобными на бумаге. Автономные механизмы блокчейн-консенсуса обычно добавляют от десятков до сотен миллисекунд накладных расходов, а автономные раунды федеративного обучения в мобильных средах сталкиваются с проблемой устаревших градиентов, когда автомобили выходят из зоны действия и возвращаются в неё. Конвейер MOPSO плюс BACO/DQN рассчитан на обработку обоих задач одновременно, хотя масштаб симуляции в 100 узлов ещё не отражает плотную городскую трассу с тысячами одновременных участников.
Роль блокчейна за пределами доверия на уровне пакетов
Ключевое отличие архитектуры в том, что не каждый пакет V2V должен попадать в блокчейн. Критически важные сообщения — сигналы экстренного торможения и предупреждения о столкновении — передаются через терагерцовый радиоинтерфейс в субмиллисекундных временных масштабах, с которыми не может сравниться ни один из существующих механизмов блокчейн-консенсуса. Вместо этого блокчейн-слой управляет задачами более высокого уровня: проверкой идентичности и учётных данных участников, фиксацией криптографических хешей обновлений федеративных моделей для отслеживания отравленных градиентов и ведением репутационного реестра, который этап BACO/DQN использует для взвешивания голосов консенсуса. Такое разделение ответственности напоминает разграничение расчётов и исполнения на платформах смарт-контрактов.
Результаты симуляций и расстояние до внедрения
Результаты симуляций, приведённые в препринте на arXiv, показывают, что предложенная система превосходит три базовых метода по четырём метрикам. Запись в репозитории Силезского технологического университета подтверждает, что с момента GLOBECOM 2023 статья получила пять цитирований в Scopus (Scopus — база цитирований Elsevier) — скромный, но растущий след в литературе по 6G и автомобильным сетям.
Среднее время до отказа достигло 6 400 часов против эталонных 6 200 часов, пропускная способность составила 0,91 против 0,89 у метода сравнения Dynamic CU-DU, а коэффициент k-анонимности превысил 9, то есть данные любого отдельного автомобиля неотличимы от данных как минимум девяти других в федеративном пуле. Статья утверждает превосходство над базовыми методами из IEEE INFOCOM 2022, IEEE TITS (журнал IEEE Transactions on Intelligent Transportation Systems) 2023 и IEEE GLOBECOM 2021, однако эти сравнения заявлены самими авторами и не были независимо воспроизведены.
Проблемы задержек и масштабируемости
Результат по задержке ниже 0,1 миллисекунды — итог симуляции, а не полевое измерение. Терагерцовый спектр на 300 ГГц имеет серьёзные ограничения распространения: атмосферное поглощение, замирание в дождь и зависимость от прямой видимости сокращают эффективный радиус далеко ниже параметра симуляции в 500 метров в реальных городских условиях. Интервал блоков в 10 секунд — быстро по меркам публичных блокчейнов, но создаёт потенциальные разрывы синхронизации при агрегации федеративных моделей в сценариях высокой мобильности, когда автомобили покидают зоны покрытия и возвращаются в них между раундами.
Масштабирование со 100 узлов до плотной трассы или городского перекрёстка вносит комбинаторную сложность как для этапа MOPSO, которому приходится балансировать больше конкурирующих целей с ростом числа узлов, так и для этапа консенсуса BACO/DQN, который должен поддерживать византийскую отказоустойчивость при большем и более разнородном наборе участников. В статье не приведены кривые масштабирования за пределами симуляции на 100 узлов.
Риски кибербезопасности и отравления моделей
Федеративное обучение снижает раскрытие сырых данных, но создаёт другую поверхность атаки: отравление градиентов, при котором скомпрометированный автомобиль отправляет обновления модели, предназначенные для ухудшения качества глобальной модели или внесения нежелательных искажений в критически важные для безопасности прогнозы. Механизм k-анонимности решает задачу приватности данных, но сам по себе не выявляет вредоносные отправки градиентов. Репутационный реестр блокчейна предназначен для отметки аномальных участников, однако в статье не детализированы конкретный порог обнаружения и эффективность против адаптивных атак отравления, остающихся ниже порога аномалии.
Пересечение ончейн-управления и целостности AI-моделей — проблема, с которой сталкивается и более широкий стек crypto-AI: обеспечение точности и неизменности обновлений моделей, отправляемых в децентрализованную сеть, структурно связано с проблемами целостности оракулов, затрагивавшими протоколы DeFi.
Требования к стандартам и управлению
Прежде чем предложенная архитектура сможет работать вне симуляции, автомобилям, дорожной инфраструктуре, граничным узлам, автопроизводителям и регуляторам потребуются совместимые стандарты идентификации и обмена сообщениями. Спецификации 3GPP Release 18 и 19 развивают расширения NR-V2X (New Radio vehicle-to-everything) в сторону 6G, а ITU-R — радиотехнический сектор Международного союза электросвязи — активно ведёт обсуждения распределения спектра для терагерцовых диапазонов, однако по состоянию на конец 2026 года обязательного распределения спектра для автомобильной терагерцовой связи не существует. Без гармонизированного спектра несущая частота 300 ГГц остаётся инженерным допущением, а не внедряемым параметром.
Реалистичный путь внедрения пролегал бы через пилотные испытания на контролируемых перекрёстках с блокчейн-узлами на границе сети, затем тесты совместимости с существующей инфраструктурой DSRC (Dedicated Short-Range Communications) и C-V2X (cellular vehicle-to-everything), а затем проверку безопасности в рамках сертификационных стандартов, которые разрабатывают автомобильные регуляторы ЕС, США и Азии для связи автономных автомобилей. Ценность блокчейн-слоя как механизма доверия реализуется лишь при условии, что более широкая экосистема автопроизводителей и операторов инфраструктуры примет совместимые стандарты учётных данных и консенсуса — проблема координации, выходящая за рамки статьи.
Исследование представляет собой правдоподобное системное предложение по интеграции доверия распределённого реестра с машинным обучением, сохраняющим приватность, на скоростях автомобильных сетей, отражая ту же логику проектирования, что движет децентрализованными сетями AI-инференса, где вычисления, доверие и управление моделями сосредоточены совместно, а не централизованы. От того, выдержат ли терагерцовые спектральные допущения столкновение с графиками регуляторного распределения частот, зависит, насколько быстро показатели симуляций превратятся во внедряемую инфраструктуру.
Этот отчёт опубликован AiCryptoCore 19 ноября 2026 года. По данным издания, его QC-команда проверяет каждую статью на точность заголовка, оригинальность, метаданные и заявления об авторстве перед публикацией, а дежурный редактор следит за статьями после публикации; издание использует ИИ для исследований, составления и проверки текстов, а его редакционная команда отвечает за каждую статью и при необходимости исправляет или отзывает материалы.
Отказ от ответственности: эта статья носит исключительно информационный характер и не является финансовой или инвестиционной консультацией. Рынки криптовалют и цифровых активов несут значительный риск. Всегда проводите собственное исследование перед принятием решений.