本次组会主要介绍《TD-SAS: A Trust-Aware, Decentralized Speed Advisory System for Energy-Efficiency Autonomous Vehicle Platoons》的相关内容。对比上次组会内容，信任感知模型和激励机制方案有所调整，目前论文初稿和实验均已完成。

科研背景

随着车对车(V2V)和车对基础设施(V2I)通信网络理论的发展，在复杂传感器技术的帮助下，智能速度咨询系统(ISA)的进步意义重大。共识速度咨询系统(CSAS)是ISA的一种特殊形式，它通过推荐共识速度来最大限度地减少在特定区域行驶的车辆排的能耗。CSAS的潜力在于它能够有效地缓解交通拥堵和事故，同时提高能源效率。虽然通过CSAS推荐的车辆排的一致速度可以提供许多好处，但也存在一些挑战。

科研问题

• 车辆的高速动态导致网络拓扑结构的频繁变化，使得排配置高度不稳定。因此，车辆之间的信任并不总是得到保证。使情况进一步复杂化的是，恶意节点可能渗透到网络中，意图破坏系统操作并危及其他良性车辆的安全性或效率。
• 不同信任值的车辆遵从推荐速度的倾向不同，这必然导致能耗的波动和潜在的能耗增加。确定信任值、期望速度和行驶概率之间的映射关系，并根据信任值提出自适应、实时的共识速度建议成为关键问题。
• 在CSAS中，排的利益并不是均匀分配的。当队列以推荐速度行进时，CSAS的最佳操作得以实现，从而促进了能耗的总体降低。然而，这种情况可能同时增加一些车辆的能源消耗。这种不平衡可能会阻止车辆重新参与CSAS，从而阻碍基于共识速度的排的形成。

科研目的

• 提出一种基于区块链的信任管理方案， RSU负责分布式的信任计算与更新，有效地管理信任节点。将所有车辆的信誉值记录在TM Blockchain上，确保数据不可否认和抗篡改。
• 设计一个信任感知自适应共识速度推荐方案。考虑了不同信任值下车辆以推荐速度行驶的概率所造成的能耗差异。根据车辆信任值的变化自适应推荐共识速度，使排队能耗最小。
• 考虑车队整体能耗优化带来的车辆能耗增加，设计有效的激励机制，补偿车辆的增加能耗，并鼓励符合条件的车辆参加TCSAS。

系统模型

工作流程

其余内容将在组会中详细介绍。

车联网中基于位置服务的个性化差分隐私保护研究

科研背景

随着车联网的快速发展, 用户享受车联网提供的位置服务(location-based services, LBSs)时, 位置隐私泄漏是一个关键安全问题. 针对车载网络中位置服务隐私泄露问题, 提出了一种基于差分隐私的个性化位置隐私保护方案, 在保护用户隐私的前提下, 满足用户个性化隐私需求。

科研问题

现有差分隐私保护机制无法根据用户在不同位置点的隐私需求为其分配合适的隐私预算, 使得对于用户有些位置点的隐私保护过甚, 而有些位置点隐私保护不及,这仍然会造成用户位置隐私的泄露。

科研目的

解决用户在不同位置点隐私保护需求差异性的问题极为必要.针对上述问题, 本文提出一种基于敏感位置信息的个性化位置隐私保护方案. 该方案可以在保护车载用户隐私的同时, 满足用户个性化的隐私需求. 提高服务质量。

基于多智能体强化学习的微电网协作能源管理

科研内容：

其他内容将在组会中进行介绍。

本次我将会从GDPR合规性的角度出发进行报告。

科研背景

《通用数据保护条例》(GDPR)于2018年5月在所有欧盟(EU)国家生效。《GDPR》是对1995年发布的数据隐私法规的重大更新，其中的规定是为了确保个人数据“只能在严格的条件下，出于合法目的合法收集”，同时，GDPR将数据的完全控制权交还给数据所有者。

如下图所示，GDPR在其”合法性，公平性和透明性“，”目的限制“，”数据最小化“，”准确性“，”存储限制“，”完整性和保密性“的六大准则之下，明确规定了三种角色，分别为数字主体（data subject）,数据控制者（data controller）以及数据处理者（data processor）。

GDPR要求数据控制者（DC）在对个人数据进行访问、存储、处理和传输时，应当提前取得用户的明确同意。受到合规性的驱动，身为数据控制者（DC）的实体或个人需要对其数据处理的流程进行修改，从而保护数据主体（DS）的权益。

科研问题

对于企业在对其内部流程进行改革从而合规的规程有带来了新的问题：

1.手动验证对于数据控制者（DC）来说是一个耗时且易出错的过程。

2.只有在怀疑有违反规定的情况下，或当数据主体(DS)向监管当局提出投诉时，数据控制者才须证明遵守规定，因此对于服务供应商来说难以证明其一直在遵守相关规定。

科研目的

1.设计一种方法，能够透明的记录数据控制者（DC）对个人数据的操作，并根据政策合规性的要求，使数据主体（DS）和DC能够识别和验证对数据允许的操作。

2.需要一种方法，确保数据主体（DS）和数据控制者（DC）能够核实谁拥有他们的个人数据以及与谁共享了这些数据。

3.开发一种不可篡改的记录机制，以便能够记录和验证基于GDPR相关要求对用户数据进行的操作。

研究内容

因此本次汇报描述了一种基于GDPR规则的编码，使用这些规则实行的每个操作都将记录到区块链中，用于审计的目的。具体来说，这项工作展示了一些GDPR规则如何以操作码的形式出现在智能合约中，以透明和自动的方式对用户数据进行操作。

通过将GDPR规则转化为智能合约，从而使监察机构以及数据主体（DS）能够以自动和透明的方式对数据控制者（DC）进行验证与监督。

基于区块链的去中心化联邦生成模型研究

科研问题：

联邦学习对机器学习模型训练灵活性差，每次仅能发布单一模型进行训练。训练其他模型时，即使是相同数据，也需召集所有参与方再次共同训练新模型，这极大浪费了各参与方的时间和计算资源。
联邦学习依赖于单一的中心服务器，容易受到中央服务器故障或攻击的影响。这会导致不准确的全局模型更新扭曲所有局部模型的更新。

科研目的：

使用联邦学习训练生成对抗模型，利用生成对抗模型的强大学习能力生成合成数据，代替多方原始敏感数据灵活地进行其他机器学习模型的训练。
部署区块链作为底层架构，去中心化地执行此联邦学习过程，有效防止中央服务器故障或攻击，在确保数据隐私安全下提高联邦学习的鲁棒性。

研究内容：

科研背景

随着能源需求的变化，电力系统朝着新型电力系统快速转变。越来越多的边缘设备通过多种形式接入到电网内部，增加了网架的负担，对电力物联网的可信度和可靠性提出了巨大挑战，更容易受到网络攻击。在保护数据、网络应用等免受潜在的入侵 或攻击方面，成为加强新型电力 系统网络安全的基本 要求。

目前电网(Cyber-Physical Systems，CPS)的攻击形式多样化，攻击事件呈现频繁的状态，如： 2022年内乌克兰能源公司被软件后门攻击、2021美国德克萨斯州二月冬季风暴使该州能源市场失灵、2020年韩国一家能源供应商被网络 勒索、2019 年美国电网被 DoS 攻击等。

科研问题

1.系统的复杂性。基于各种移动边缘电力电子设备的增加，如电动汽车和无人机等，和对需求响应和本地储能提高，也增加了系统的复杂性和动态性，对网络安全提出极大挑战。

2.通信的脆弱性。现代通信技术用于智能电网的不同领域，例如IEC 61850，但这些通信技术和协议本身包含各种传统和新的漏洞，缺乏足够的安全设计来保证可信的数据通信。

3.攻击的智能性。目前攻击表现更加隐蔽，攻击者往往采用更智能方式，如GAN对抗和强化学习策略，攻击效率效果提高，属于博弈与探索方式的智能攻击形态，攻击者成本更低，比传统攻击方式隐私性更强，危害更大。

4.FL的安全与隐私性。传统IT架构向着云-雾-边结构演变，过去需要集中的任务只需中心调度卸载到雾边节点就行，适合分布式架构的任务。该场景的FL框架在该模式下具有极大的优势，同时也面临数据隐私可能泄漏的问题。

科研目地

提出了一个 联邦信任框架（称为 Fed-Trust），联邦框架与区块链协调合作、边缘聚合，联邦利用区块链和边缘计算的优势来实现边缘节点本地更新的隐私保护和分布式聚合。它集成了深度强化学习（DRL）算法，根据攻击前后的隐藏状态特性，把变化检测问题表述为部分可观察的马尔可夫决策过程 (POMDP) 问题 ，用于电网中中网络攻击的检测模型。

Fed-Trust研究框架

科研背景
云计算是一种通过网络向用户提供计算资源、平台、应用程序的分布式计算框架。其主要服务形式有：基础设施即服务(IaaS)  平台即服务(PaaS)  软件即服务(SaaS)。云计算能够根据用户的需求为用户提供各种配置类型的服务实例，这些服务实例具有按需服务，动态可拓展，性价比高的特点。云计算提供了一种更加灵活、低成本的应用服务构建模式，推动了人脸识别等需要大规模计算的智能服务的应用。
工作流是由一组之间具有数据或功能依赖的任务组成的作业，表示各种复杂计算过程。任务间复杂的依赖关系使工作流需要在云计算等分布式系统中通过并行执行提高计算效率。但在云环境中执行时，任务间的依赖关系导致的大量空隙时间将造成服务实例空闲，降低云计算的计算效率。目前研究少有针对实时工作流调度问题，而现有的相关研究普遍通过先验专家知识涉及动态规划算法，无法实现最优的工作流调度。

科研问题
1.工作流依赖关系导致的空隙时间使工作流在云环境中的执行效率低，增加虚拟机租赁成本。
2.云环境动态变化性质使工作流在云服务实例中的执行时间和数据传输时间具有不确定性。
3.实时工作流的结构，任务数量等具有不确定性，传统静态工作流调度方法无法直接应用，基于专家经验的启发式实时调度方法无法在动态不确定的云环境中实现最优调度。

科研目地
提出一种面向不确定云环境的实时云工作流调度方法，通过深度强化学习（DRL）智能体，将实时到达的具有截止时间期限的工作流调度到任务执行情况不确定的云环境中执行。具体来说，在每个工作流到达时，将子任务进行拆分，通过计算每个子任务的最晚开始时间和最晚结束时间确定子任务的响应时间范围，不断将无前置任务或前置任务执行结束的就绪任务通过DQN智能体调度到云虚拟机中执行，通过智能体不断离线学习调度经验，在虚拟机子任务执行时间和数据传输时间不确定的云环境中实现低响应时间、低成本的工作流调度。

研究框架

科研背景

1.云中心具有丰富的计算资源、高安全性和巨大的存储，现已将部分或全部计算密集型任务转移到云中心执行，但由于距离智能移动设备比较远，计算需求的爆炸性增长，网络可能会拥塞，导致传输延迟难以接受，占用云中心资源的经济成本较高，影响了对时延敏感的应用程序的实时性能。
2.边缘云是在靠近物或数据源头的网络边缘侧就近提供边缘智能服务的开放平台。传输链路的缩短使边缘云可以在数据侧快捷、高效地响应业务需求。
3.由于工作流的复杂性和大规模性，手工调度每个任务并不是一种可行的方法，这涉及到边缘云环境中的实时执行和大量流动数据，高延时的任务的资源分配是灵活的，有一些具有实时性和位置特性的任务的资源分配要求更苛刻。

科研问题

1.启发式算法在执行前算好所有的调度顺序以及分配给哪个资源，不能适应边缘云中不断变化的工作负载和约束，难以体现边缘云更适合处理实时、短周期数据的优势，因此不适用于实时的调度问题边缘云中的工作流调度。
2.尽管单个服务可能不会有很高的的功率，但数十亿个服务的综合能耗将对底层基础设施造成不可忽略的影响，因此有必要尽量降低边缘计算中产生的能耗。

科研目的

提出基于DQN的智能调度算法实时地根据边缘云的变化进行工作流调度，选择服务器执行任务，专注于解决边缘云环境调度基于DAG (有向无环图) 的工作流中的时间最小化和能量优化的冲突目标，同时优化工作流执行时间以及能耗，实现低延迟、低能耗的调度。

研究内容

研究进展

1. 设计实验完成边缘云环境下工作流调度算法，取得初步实验结果。
2. 根据实验结果对模型进行优化。

此次汇报的内容为下一步的研究想法《边缘计算中基于区块链的可信任务调度》的相关内容，将从科研背景、科研问题、科研目的、研究内容等几个方面展开

科研背景

1.任务调度是边缘计算的一个关键环节，是将任务映射到合适的资源池上执行的过程。而在边缘计算的任务调度中，边缘服务器的可用资源和物联网设备所请求的任务大小是不同的，边缘计算的网络环境也是动态变化的，这使得边缘计算的任务调度更具挑战性

2.在边缘计算任务调度方法的相关研究中，启发式算法目前研究广泛。这类算法可在约束条件下寻找到符合条件的可行解，但是解空间随着状态空间的增大呈指数级增长，不适用于解决实时动态的任务调度问题

3.深度强化学习（DRL）结合深度学习和强化学习的优势，从历史经验中了解网络和任务，以获得具有最高累积奖励的最佳决策，有望实现实时任务调度

科研问题

1.边缘计算中的资源和设备具有动态性、异构性的特点, 边缘计算往往缺乏像云计算集中控制的安全机制。DRL根据状态信息做出决策，状态信息不可信，做出错误的决策

2.数据源的多样性和复杂性给状态信息收集过程带来了新的信任挑战，恶意报告者报告虚假甚至恶意数据

科研目的

1.提出基于区块链的任务调度平台，利用区块链以去中心化的方式存储状态信息，并保证做出可信的决策

2.基于区块链和威慑理论，提出恶意威慑方案，阻止虚假和恶意数据报告

研究内容——系统架构

具体内容将会在组会上进行介绍