新聞加密貨幣研究人員提出結合聯邦學習的區塊鏈6G車聯網(V2V)通訊框架

研究人員提出結合聯邦學習的區塊鏈6G車聯網(V2V)通訊框架

作者: AI Crypto Core·

重點速覽

  • •來自多媒體大學、賓州州立大學與諾丁漢特倫特大學的聯合團隊在IEEE GLOBECOM 2023上發表了一個結合區塊鏈共識、聯邦學習與太赫茲6G的V2V框架,模擬結果顯示延遲低於0.1毫秒、模型準確率高於94%。
  • •該架構將安全關鍵訊息透過300 GHz太赫茲空中接口傳輸,區塊鏈則以1 MB區塊與10秒出塊間隔驗證參與者、防範女巫攻擊並記錄模型承諾。
  • •在九輪聯邦學習中,100輛模擬車輛僅共享模型權重更新而非原始遙測數據,實現了超過9的k-匿名因子、6,400小時的平均無故障時間以及0.91的吞吐量,優於三個對比基準。
  • •性能主張由兩階段優化器支撐:MOPSO在學習目標與頻寬及算力預算之間取得平衡,BACO/DQN程序則在保持拜占庭容錯性的同時降低區塊鏈共識開銷。
  • •部署仍然遙遠:延遲結果僅來自模擬、截至2026年底車用太赫茲通訊尚無具約束力的頻譜分配,且論文未發布超出100節點的擴展曲線。
研究人員提出結合聯邦學習的區塊鏈6G車聯網(V2V)通訊框架

一個橫跨多媒體大學、賓州州立大學與諾丁漢特倫特大學的研究團隊提出了一個結合區塊鏈共識、聯邦學習與太赫茲6G連接的框架,以解決車對車(V2V)通訊中的核心信任與延遲問題。團隊報告的模擬結果顯示,延遲低於0.1毫秒,聯邦模型準確率高於94%。

該論文發表於2023年在吉隆坡舉行的IEEE GLOBECOM——IEEE通訊學會的旗艦通訊會議之一——其後上傳至arXiv,並提供HTML版本。論文提出一種架構,其中任何單一實體都無權驗證路況更新或車輛之間共享的模型權重。取而代之的是,區塊鏈層在車輛節點之間執行防篡改記錄與分散式共識,而聯邦學習則讓每輛車在不將原始感測器數據傳送至中央伺服器的情況下貢獻訓練改進。

為何V2V網絡不容許任何差錯

車對車通訊需要快速、可靠地交換安全關鍵訊息:碰撞警告、緊急煞車訊號與道路危險警示。約束條件極為嚴苛——遲到200毫秒的訊息,就是在事故發生之後才抵達的訊息。傳統的中心化架構會引入單點故障,並要求車輛信任那些激勵機制未必與即時安全一致的基礎設施營運商。

三項技術如何分工

所提出的框架為每項技術分配不同的角色。

6G太赫茲層以300 GHz的載波頻率與10 GHz的頻寬運作,在500米的通訊範圍內處理原始連接與邊緣調度。該物理層為高密度車輛網絡提供了所需的容量;沒有它,區塊鏈共識輪次與聯邦模型同步都無法滿足延遲要求。這一層也存在未解決的前提條件:6G——作為5G的後續世代——仍處於研究與早期標準化階段,而相關的太赫茲頻率尚未獲得具約束力的頻譜分配,這一監管缺口將在下文探討。

區塊鏈負責信任與可審計性。參與車輛無需依賴路側基礎設施營運商來認證煞車警告訊息的真實性,而是使用具有1 MB區塊大小與10秒出塊間隔的分散式帳本來驗證參與者、記錄模型更新承諾,並防範女巫攻擊——即惡意節點以虛假數據淹沒網絡。

聯邦學習則處理隱私問題。100個模擬車輛節點各自在其自身的駕駛數據上訓練本地模型,然後僅共享模型權重更新,而非原始遙測數據。根據論文的自適應學習率公式,每輛車的學習率隨信號干擾加噪聲比以及車間距離的倒數而縮放,因此信號更乾淨、距離更近的車輛對全局模型的貢獻更為積極。根據論文的模擬參數,在基礎學習率0.01、批次大小為32的條件下,九輪聯邦學習即足以達到報告中的準確率數字。

兩階段優化引擎

該框架的性能主張建立在兩階段優化算法之上。第一階段使用MOPSO(多目標粒子群優化),在聯邦學習目標——包括收斂速度與模型質量——與車輛網絡中的頻寬及算力預算等資源分配約束之間同時取得平衡。第二階段採用BACO/DQN,即運行深度Q網絡的區塊鏈輔助共識優化程序,在不犧牲拜占庭容錯性的前提下,盡量降低分散式區塊鏈共識的開銷。拜占庭容錯性是指即使部分參與者失效或作惡,分散式系統仍能持續產生正確結果的特性。

正是這種組合使論文中的延遲數字在理論上可信。獨立的區塊鏈共識機制通常會引入數十至數百毫秒的開銷,而在移動環境中,獨立的聯邦學習輪次則因車輛進出通訊範圍而面臨梯度過時問題。MOPSO加BACO/DQN的流水線旨在同時處理這兩個問題,不過模擬的100節點規模尚未反映擁有數千個同時參與者的密集城市高速公路場景。

區塊鏈在封包級信任之外的角色

該架構的一個關鍵區別在於,並非每一個V2V封包都需要上鏈。安全關鍵訊息——緊急煞車訊號與碰撞警告——以低於一毫秒的時延透過太赫茲空中接口傳輸,這是當前任何區塊鏈共識設計都無法匹敵的。區塊鏈層管理的是更高層級的協調任務:驗證參與者身份與憑證、提交聯邦模型更新的加密雜湊以便追蹤被污染的梯度,以及維護一個供BACO/DQN階段用以加權共識投票的信譽帳本。這種關注點分離類似於智能合約平台區分結算與執行的方式。

模擬結果與部署的距離

arXiv預印本報告的模擬結果顯示,所提出的系統在四項指標上均優於三個對比基準。西里西亞科技大學的論文庫條目確認,該論文自GLOBECOM 2023以來已獲得五次Scopus引用(Scopus是Elsevier的引用數據庫)——在6G車輛網絡文獻中屬於規模不大但持續增長的影響力。

平均無故障時間達到6,400小時,高於6,200小時的基準;吞吐量為0.91,高於動態CU-DU對比方法的0.89;k-匿名因子超過9,即任何單一車輛的數據在聯邦池中與至少其他九輛車的數據無法區分。論文聲稱優於來自IEEE INFOCOM 2022、IEEE TITS(IEEE智能交通系統期刊)2023與IEEE GLOBECOM 2021的基準,但這些對比為作者自述,尚未經過獨立複現。

延遲與可擴展性挑戰

低於0.1毫秒的延遲結果是模擬結論,而非實地測量。300 GHz的太赫茲頻譜存在嚴重的傳播限制:大氣吸收、雨衰與視距依賴性,都會使實際城市環境中的有效通訊距離遠低於500米的模擬參數。10秒的區塊鏈出塊間隔相對於公鏈而言很快,但在車輛於輪次之間進出覆蓋區域的高移動性場景中,可能為聯邦模型聚合帶來同步缺口。

從100個節點擴展到密集高速公路或城市路口,會為MOPSO階段與BACO/DQN共識階段都帶來組合複雜性:前者須在節點數量增長時平衡更多相互競爭的目標,後者則須在更大且更異質的參與者集合中維持拜占庭容錯性。論文並未發布超出100節點模擬的擴展曲線。

網絡安全與模型污染風險

聯邦學習減少了原始數據的暴露,但引入了另一種攻擊面:梯度污染,即被入侵的車輛提交旨在降低全局模型性能或在安全關鍵預測中引入對抗性偏差的模型更新。k-匿名機制解決了數據隱私問題,但本身無法檢測惡意的梯度提交。區塊鏈的信譽帳本旨在標記異常貢獻者,但論文並未詳述具體的檢測閾值,以及其對保持低於異常閾值的自適應污染攻擊的防禦效果。

鏈上治理與AI模型完整性的交匯,也是更廣泛的加密-AI技術棧一直在應對的問題;確保提交到去中心化網絡的模型更新既準確又未被篡改,在結構上與影響DeFi協議的預言機完整性問題相關。

標準與治理前提

在所提出的架構能夠在模擬環境之外運作之前,車輛、路側基礎設施、邊緣節點、汽車製造商與監管機構需要可互通的身份與訊息標準。3GPP Release 18與19規範正在開發面向6G的NR-V2X(新空車聯網)擴展,ITU-R——國際電信聯盟無線電通信部門——也正在積極就太赫茲頻段進行頻譜分配討論,但截至2026年底,車用太赫茲通訊尚不存在具約束力的頻譜分配。缺乏協調一致的頻譜,300 GHz載波頻率仍只是一個工程假設,而非可部署的參數。

一條切實可行的部署路徑是:先在受控路口以邊緣輔助區塊鏈節點進行試驗場試點,隨後與現有的DSRC(專用短距離通訊)與C-V2X(蜂窩車聯網)基礎設施進行互通性測試,再按照歐盟、美國與亞洲的汽車監管機構為自動駕駛車輛通訊制定的認證框架進行安全驗證。區塊鏈層作為信任機制的價值,只有在更廣泛的汽車製造商與基礎設施營運商生態系統採用兼容的憑證與共識標準時才能實現——這是一個超出論文範圍的協調問題。

這項研究是在車輛網絡速度下整合分散式帳本信任與隱私保護機器學習的一個可信的系統級方案,反映了推動去中心化AI推理網絡的相同設計邏輯:算力、信任與模型治理共存於同一位置,而非中心化。太赫茲頻譜假設能否經受住監管分配時間表的考驗,將決定模擬中的性能數字需要多快才能轉化為可部署的基礎設施。

本報告由AiCryptoCore於2026年11月19日發布。據該媒體稱,其QC團隊會在發布前檢查每篇文章的標題準確性、原創價值、元數據與作者身份聲明,並由值班編輯在發布後進行監控;該媒體使用AI進行研究、起草與審核,其編輯團隊對每篇文章負責,並在必要時更正或撤回文章。

免責聲明:本文僅供參考,不構成財務或投資建議。加密貨幣與數位資產市場具有重大風險。在做出決策前,請務必自行研究。