基于智能分片决策区块链的工业互联网数据共享优化方法

本发明涉及一种在工业互联网(industrial internet of things,iiot)系统中，基于智能分片决策区块链的数据共享优化方法。通过对区块链系统进行自适应分片决策，本方法可以有效突破区块链的可扩展性瓶颈。具体来讲，本方法将分片决策因子加入到深度强化学习算法的动作空间中，并将数据共享总延迟和区块链交易吞吐量作为奖励函数进行联合优化，在保证数据真实性的同时，最大限度地降低了数据共享过程中所产生的延迟并提升了区块链交易吞吐量，属于通信网络。

背景技术：

1、近年来，信息与通信技术(information and communication technology,ict)逐渐渗透到社会生活的方方面面，这促进了万物互联新范式的形成。ict的不断发展带来了工业4.0，而iiot则逐渐成为工业4.0中最具代表性的应用之一。随着iiot的发展，海量iiot设备的网络接入会产生巨大的数据量以及规模庞大的数据共享任务。

2、iiot在传统工业设施的基础上建立其系统框架，旨在通过实现工业设备的全面互联来提高工业生产效率。然而，开放式的网络和以数据库为代表的传统集中式存储方式可能会给工业数据带来严重的安全和隐私风险。此外，iiot设备的广泛分布以及开放的数据交互也使得工业数据的安全性和隐私性难以得到有效地保护。

3、区块链技术被广泛认为是一种安全的、具有前瞻性的数据存储技术。区块链是一种分布式计算的新模式，它利用分布式结构来验证和存储数据。区块链的去中心化和可溯源等特点可以有效解决iiot中的数据安全和数据隐私问题。然而，区块链的共识算法会消耗大量的计算资源，如实用拜占庭容错机制(practical byzantine fault tolerance,pbft)。这容易造成巨大的计算开销，导致计算效率低下。此外，虽然区块链增强了数据传输和存储的安全性，但传统区块链系统由于其高冗余的存储机制，存在节点负担过重的问题。因此，基于区块链技术的iiot系统存在着严重的可扩展性限制。

4、幸运的是，分片技术可以克服区块链所面临的可扩展性问题。作为一种链上扩容方法，分片技术可以在不影响区块链去中心化的情况下，提高区块链系统的性能表现。然而，现有的研究在将分片区块链应用于iiot场景中时，往往忽略了iiot场景的动态特性。此外，现有研究还缺乏主动的分片策略，这会导致系统吞吐量低、延迟过高以及安全风险的增加。同时，分片技术将区块链节点分配到多个独立的分片中，大大减小了每个分片的尺寸，因此，数据被恶意节点篡改和攻击的几率会大大增加，从而引发安全威胁。为了有效解决上述问题，本方法设计了一种基于最小交易成本原则的区块链动态分片决策策略。通过动态调整分片，可以在提高系统性能表现的同时维护系统的安全性。

5、不可否认的是，区块链的分片技术在提高iiot系统的性能表现的同时，也会产生巨大的计算开销，消耗大量的计算资源。此外，在iiot应用场景中，大量的设备节点会导致区块链共识过程的效率低下。因此，基于分片区块链的iiot系统不可避免地要面对计算开销大、计算资源有限的问题。

6、移动边缘计算(mobile edge computing,mec)是一种可以克服分片区块链和大规模iiot所存在的计算能力低下以及计算开销过大等问题的有效方法。mec服务器配备在距离iiot设备更近的边缘层，有利于提高iiot系统的计算效率。同时，通过将mec与传统的集中式云计算相结合，可以获得云边协同的解决方案，以进一步提高计算效率。此外，由于区块链和mec这两种先进技术都具有去中心化的特点，因此将它们结合起来是很自然的。

7、总之，针对上述挑战和问题，本发明设计了一种基于智能分片决策区块链的iiot数据共享优化方法。通过将分片决策因子加入到深度强化学习算法的动作空间，并将数据共享总延迟和区块链交易吞吐量作为奖励函数进行联合优化，引入云边协同计算的范式，旨在保证数据真实性的同时，最大限度地降低数据共享过程中所产生的延迟并提升区块链交易吞吐量。

技术实现思路

1、本发明的主要目的是在具有大规模特性、动态特性的iiot系统中，考虑场景内存在海量工业设备、多区块链节点、多区块链分片、多mec服务器和单个云计算服务器的情况下，对区块链系统执行分片并进行智能分片决策，以iiot数据共享过程的总延迟和区块链交易吞吐量为优化目标，对场景进行建模，并应用异步优势行为者批判算法(asynchronousadvantage actor-critic,a3c)的深度强化学习算法对模型进行迭代学习，获得高吞吐量、低延迟的最优工业数据共享策略。本方法解决了在场景中存在海量工业设备、多区块链节点、多区块链分片、多mec服务器和单个云计算服务器的情况下，通过执行最优工业数据共享策略有效降低iiot系统总延迟并提高区块链交易吞吐量，进而安全且快速地进行iiot中的工业数据共享的问题。

2、本发明所适应的基于智能分片决策区块链的iiot场景模型见图1。

3、本发明技术方案中的系统运行原理流程图见图2。

4、本发明系统总延迟与区块链分片数量关系图见图3。

5、本发明区块链交易吞吐量与区块链分片数量关系图见图4。

6、本发明区块链交易吞吐量与平均交易大小关系图见图5。

7、本发明所适应的具有大规模特性、动态特性的iiot场景模型如图1所示。基于智能分片决策区块链的iiot数据共享优化方法，在一个大型工业园区的通信场景下，在各个园区部门内共配备有n个mec节点能够覆盖海量iiot设备，同时，每个部门均配备有1个控制器用以处理边缘层的管理和控制任务。此外，还存在1个由mec服务器形成的区块链系统以及1个配备在总部的云服务器。根据最小交易成本的原则，区块链的分片算法会将各个部门的n个mec节点(区块链中的验证者)平均划分到k个区块链分片中，并且k≥2。这样，整个区块链系统将拥有k个区块链网络可以并行处理iiot设备的数据共享任务。当已知mec节点数量后，根据实际环境情况设置分片模型、区块链共识模型和计算模型。而后构造深度强化学习方法中的状态空间、动作空间和奖励函数，并设置训练网络中的策略参数、值函数参数、网络层数等参数，结合场景模型进行迭代学习，训练深度神经网络，用以异步更新全局参数。最后执行智能体通过与环境的相互作用学习到的最优数据共享策略，从而有效降低系统总延迟并提升区块链交易吞吐量。具体依次按以下步骤实现：

8、步骤(1)，iiot设备请求数据共享产生计算任务，并将任务上传至边缘层进行处理，边缘层根据数据共享任务的延迟敏感度，智能决策是否进行区块链分片；具体步骤如下：

9、iiot设备负责将数据共享任务上传至边缘层的mec服务器。边缘层存在有n个mec节点，n＝{η1,η2,.....,ηn}表示mec节点的集合，其中η表示mec节点，下角标1,2,...,n为mec节点的具体个数。若当前数据共享任务对于延迟的敏感度低，控制器选择在处理该数据共享任务时不进行区块链分片，以最大限度地保证系统安全性；若数据共享任务对于延迟的敏感度高，根据最小交易成本的原则将n个mec节点平均分配到k个区块链分片中，k≥2。集合s＝{s1,s2,......,sk}表示区块链分片的集合，其中s表示区块链分片，下角标1,2,...,k为区块链分片的具体个数；基于最小交易成本原则的区块链分片方法如下：

10、首先，保证整个区块链系统的mec节点数为n个：

11、

12、其中i表示mec节点的次序，n为mec节点的具体个数。j表示区块链分片的次序，k为区块链分片的具体个数。表示将mec节点ηi分配给区块链分片sj，否则

13、其次，为保证所有节点被平均地分配到各个区块链分片中，每个区块链分片中的节点数为m个：

14、

15、最后，每两个节点间的数据共享任务的总成本计算如下：

16、

17、其中，ωij表示将mec节点ηi分配到区块链分片sj的总成本，并且：

18、

19、其中，l表示不同于i的mec节点的次序，l表示位于同一分片sj内的每两个mec节点ηi和ηl所组成的集合，-l表示位于不同分片的每两个mec节点所组成的集合，并且：

20、

21、其中，nil表示整个边缘层每两个mec节点ηi和ηl所组成的集合，并且：

22、

23、其中，c(i,l)表示节点ηi和ηl间的交易成本，并且：

24、

25、其中，fi,l和ci,l是来自不同区块链分片的节点ηi和ηl之间的通信频率和通信开销。iil是位于同一区块链分片的两个节点之间的通信成本。

26、步骤(2)，在处理数据共享任务时控制器负责对区块链系统进行分片决策，智能分片决策会将区块链的共识方式(交易类型)划分为以下三种情况：

27、步骤(2.1)，当有数据共享需求的iiot设备双方将数据任务上传到同一个mec节点ηi或位于同一个区块链分片sj中的两个mec节点ηi和ηl时，该笔交易的交易类型被视为分片内交易。在这种情况下，该笔交易由区块链分片sj中的m个节点进行验证。

28、步骤(2.2)，当有数据共享需求的iiot设备双方将数据任务上传到位于不同区块链分片sj和sk的两个mec节点ηi和ηl时，交易类型为跨分片交易。此时，该交易由区块链分片sj和sk中的2m个节点进行验证。

29、步骤(2.3)，此外，在处理延迟不敏感型的数据共享任务时，控制器可以选择不对区块链系统进行分片以最大限度地提高数据的安全性。此时，交易由边缘层的所有n个mec节点进行验证。

30、步骤(2.4)，区块链系统的共识节点对iiot设备请求数据共享任务后产生的交易数据进行验证和共识，当交易类型为分片内交易时共识节点数nc＝m，交易类型为跨分片交易时nc＝2m，交易类型为不分片交易时nc＝n。共识节点采用实用拜占庭容错机制对区块和交易进行验证共识，当故障节点数不超过共识节点数的1/3时，pbft可以保证共识过程的正确性。生成或验证一个签名或一个消息验证码所需的cpu周期分别为α和β，则完成一次共识过程所需的总计算周期为：

31、

32、其中，a(t)为平均交易大小，b(t)表示交易批次大小，ρ表示在请求阶段验证交易的正确概率。

33、步骤(3)，区块链的节点验证过程由mec服务器和云服务器提供计算支持，具体如下：

34、步骤(3.1)，mec服务器为节点验证过程提供计算支持的延迟为：

35、

36、其中，λ(t)为计算任务所需的cpu周期，fm为mec服务器的计算频率。

37、此时，系统的总延迟可以由下式表示：

38、

39、其中，i(t)为区块间隔，tb为节点广播延迟。

40、步骤(3.2)，云服务器为节点验证过程提供计算支持时，验证过程的延迟为：

41、

42、其中，d(t)为数据任务大小，μ(t)表示边缘层到云层的计算卸载无线链路的数据传输率，fc为云服务器的计算频率。

43、此时，系统的总延迟可以由下式表示：

44、

45、步骤(4)，交易吞吐量是评价分片决策区块链系统性能的一个重要指标，它受到以下两个参数的直接影响。第一个是区块大小，即区块的容量，区块大小决定了一个区块所包含的交易。另一个是区块间隔，它表示区块的释放率。由于分片区块链以多线程的方式产生新区块，因此区块链交易吞吐量与分片数量k呈正相关。区块链交易吞吐量由下式计算得出：

46、

47、其中，sb表示区块大小。

48、步骤(5)，根据步骤(1)-(4)，结合场景和优化目标，设置a3c的深度强化学习方法中的状态空间、动作空间和奖励函数，具体步骤如下：

49、步骤(5.1)，在一个离散时隙中，首先由智能体对环境状态进行感知。随后，根据环境状态获得学习经验，然后更新策略。因此，将状态空间设置为：

50、s(t)＝{d(t),b(t),μ(t)}

51、其中，数据任务大小d(t)的范围为4mb-8mb，交易批次大小b(t)的大小范围为1mb-2mb。由于计算卸载的无线链路条件的多样性和动态变化特性，将数据传输率建模为有限状态马尔科夫决策过程，分配给每个计算卸载任务的数据传输率均来自于集合{125,100,75,50}mbps，其概率转移矩阵表示为：

52、

53、步骤(5.2)，为了获得解决上述场景问题的最优策略，需要对系统中的几个部分进行动态调节。因此将动作空间设置如下：

54、a(t)＝{sb,i(t),o(t),f(t)}

55、其中，sb＝{1,2,...,b}并且i(t)＝{0.2,0.4,...,i}。此外，o(t)＝{0,1}，o(t)＝0表示区块链节点验证过程中的计算支持由mec服务器提供，相反的，若o(t)＝1则表示将计算任务卸载到云层进行处理。f(t)＝{0,1}，当f(t)＝1时表示控制器选择对区块链系统进行分片，反之则不分片。

56、步骤(5.3)，在本设计的分片决策区块链支持的iiot系统中，优化目标为吞吐量和总时延。根据优化目标，建立优化问题为：

57、

58、因此，奖励函数由下式给出：

59、

60、其中，w1+w2＝1，是一个奖惩参数。

61、步骤(6)，根据步骤(5)中构建的状态空间、动作空间和奖励函数，设置策略参数、值函数参数以及网络层数，对深度神经网络进行训练，用于估计优势函数：

62、a(s(t),a(t)；θ,θv)＝rt-v(s(t)；θv)

63、并且

64、

65、其中，rt为折扣累计收益，v(s(t)；θv)为价值函数的估计。k可以随着状态的变化而变化，并以局部最大迭代次数tmax为上限。γ∈(0,1]为折扣因子，rt+i为即时奖励。

66、根据得到的优势估计引导策略函数参数θ的本地累计梯度更新，表示为：

67、▽θlπ(θ)＝▽θlogπ(a(t)|s(t)；θ)a(s(t),a(t)；θ,θv)+▽θβh(π(s(t)；θ))

68、其中，π(a(t)|s(t)；θ)为随机策略，β为控制熵正则化项强度的超参数，h(π(s(t)；θ))为策略π的熵。

69、根据rmsprop算法异步更新全局参数θ，可以逐渐将随机策略调整到最优策略。rmsprop异步更新算法表示为：

70、

71、其中，η为学习率，g为rmsprop下的梯度估计值，ε是一个小正数。

72、步骤(7)，根据步骤(6)中训练完成的深度神经网络在各状态下得到可选动作的最优策略，将策略生成的动作作为该状态下的最优动作，持续执行各状态的最优动作，直至执行指令结束。

73、本发明的优势在于，在具有大规模特性、动态特性的iiot通信场景下，通过联合考虑分片决策、卸载决策、区块大小以及区块间隔，最大限度地减少系统总延迟的同时，最大限度地提高了区块链交易吞吐量。此外，本方法通过仿真实验考察了基于智能分片决策区块链的工业互联网数据共享优化方法对场景中数据共享总延迟和区块链交易吞吐量的影响。