CN111182048B - 一种基于区块链使能的群智感知的智能交通管理方法 - Google Patents

Abstract

本发明公开了一种基于区块链使能的群智感知的智能交通管理方法，引入区块链、群智感知、边缘计算和5G技术建立终端‑边缘‑远端管理三层智能交通管理框架；对交通管理的安全性、延迟以及用户效用进行抽象并建立最大化交通管理安全性和用户效用以及最小化交通管理延迟的多目标优化模型；将上述多目标优化模型分解为三个子模型，分别是区块链优化、车辆任务计算以及基站子信道分配；设计基于深度强化学习的方法求解区块链优化子模型；利用分布式交替方向乘子法求解车辆任务计算子模型；设计双边匹配算法解决基站的子信道分配子模型。本发明提出了一种新的智能交通管理系统，为设计安全、高效、可行的智能交通管理系统提供了一种新的解决方案。

Description

一种基于区块链使能的群智感知的智能交通管理方法

技术领域

本发明涉及车辆交通领域中智能交通管理系统，尤其涉及到一种基于区块链、群智感知、边缘计算和5G技术的终端-边缘-远端管理三层交通管理框架与人工智能算法、分布式交替方向乘子法和双边匹配算法相结合，对交通管理的安全性、延迟以及用户效用进行优化的智能交通管理系统。

背景技术

生活水平的迅速提高使得城市中的车辆数量急剧增加，为了提供一个安全、高效的交通环境，智能交通管理变得越来越重要。然而现有的交通管理系统主要侧重于工程的角度，如交通信号灯的控制，不能提供司机有关发生的交通事件的服务。即使少量的交通管理系统引入了车联网以及群智感知，但是都忽略了交通管理的安全性问题。对于有效的交通管理系统，交通管理延迟和用户效用也可忽略。因此如何设计有效的交通管理系统来智能地管理交通且为司机提供交通有关服务并综合考虑交通管理的安全性、延迟以及用户效用需要研究人员进一步探索。

发明内容

本发明的目的是针对现有研究的不足，提出基于区块链使能的群智感知的智能交通管理方法。本发明首次根据区块链、群智感知、边缘计算以及5G技术提出一个安全、高效、可行的终端-边缘-远端管理三层智能交通管理框架并通过人工智能算法、分布式交替方向乘子法以及双边匹配算法对交通管理的安全性、延迟以及用户效用进行优化，为设计有效的智能交通管理系统提供了一种新的方案。

本发明的技术方案：

一种基于区块链使能的群智感知的智能交通管理方法，步骤如下：

(1)引入区块链、群智感知、边缘计算和5G技术建立终端-边缘-远端管理三层智能交通管理框架；

1.1)终端层设计

终端层包含车辆、注册机构和交通管理部门；其中车辆用于收集交通事件有关的数据；注册机构是一个可信的政府机构，并且负责交通管理中车辆以及路侧单元的注册以及奖励车辆；交通管理部门负责解决发生的交通事故；

采用车辆群智感知技术并将车辆聚为不同的簇来分布式地、高效地收集交通数据，并引入区块链技术提供安全的数据收集环境和保证车辆在收集过程中的隐私保护以及数据安全；

1.2)边缘层设计

边缘层包含路侧单元和移动边缘计算服务器；由于车辆具有有限的计算能力和存储能力，区块链应用部署在路侧单元上，并安全存储所有车辆收集的数据以及在选择活跃矿工时车辆给路侧单元的本地分数；

引入边缘计算并借助移动边缘计算服务器帮助车辆对收集到的数据进行处理；当簇头完成数据的收集，并将要通过数据处理提取出一条准确的消息时，有三种任务计算方式供簇头选择，分别是本地计算、将计算任务卸载到簇内成员以及将计算任务卸载到移动边缘计算服务器；

1.3)远端管理层设计

远端管理层包含部署计算服务器的基站；基站主要负责接收来自簇头的信息并验证信息的准确性，通知交通管理部门发生的事件，通过路侧单元通知车辆发生的事件以及通知注册机构相关簇头的奖励信息；

将基站的信道划分为多个子信道，并且引入5G中非正交多址接入技术，即每个子信道同时为多个用户服务；

(2)对交通管理的安全性、延迟以及用户效用进行抽象并建立最大化交通管理的安全性、用户效用且最小化交通管理延迟的多目标优化模型；

2.1)抽象交通管理的安全性

交通管理的安全性由区块链保证并根据如下公式计算区块链的安全性：

其中，x为包含簇头m在数据收集过程中收集到的最后一个消息所对应的交易的块，λ为路侧单元被攻击者妥协的概率，A是区块链中活跃旷工的数量；

2.2)抽象交通管理的延迟

Step1：数据收集中的延迟包含数据收集的固有时间τ以及区块链的延迟；区块链的延迟计算如下：

其中，

是块的产生时间，

是块达成共识所需要的时间；块的产生时间

表达如下：

其中，w是块的大小，即块x中包含的交易数，

是块管理者A在生成块x时的CPU频率，l_g和l_h分别是验证一个签名和计算一个哈希值所需要的CPU周期数；

最坏情况下块x的共识时间表达如下：

其中，ψ是关于广播时间的一个常数，d_x是共识过程中消息的大小，

是旷工a的CPU频率，

是从活跃旷工a到块管理者A的数据传输速率，z_q是交易q的数据大小，而

是块x的数据大小，

是路侧单元集合，J是路侧单元个数，

是矿工a在区块链上添加块x所需要的时间；

Step2：在数据处理过程中，簇头m本地计算的任务延迟：

其中，l_k,m是连接移动边缘计算服务器k的簇头m的任务所需要的CPU周期数，

是簇头m的CPU频率；

卸载到移动边缘计算服务器时簇头m的任务延迟：

其中，d_k,m是连接移动边缘计算服务器k的簇头m收集到的数据的大小，

是任务从簇头m到移动边缘计算服务器k的数据传输速率，

是簇头m连接的移动边缘计算服务器k的CPU频率；

卸载到簇内成员时簇头m的任务延迟：

其中，N_k,m是簇头m的簇内成员数，

是簇内成员n对于其所分配的卸载任务的任务延迟，计算入下：

其中，ζ_k,m,n是簇头m卸载到簇内成员n的任务比例，

是簇头m到簇内成员n的数据传输速率，

是簇内成员n的CPU频率；

考虑上述三种任务计算方式，簇头m在数据处理中的任务计算延迟：

其中，α_k,m,β_k,m和γ_k,m是二元变量；

Step3：设在数据上传的过程中簇头m在基站s的子信道

中传输，则传输过程中信号与干扰加噪声比为：

其中，P_s,m是连接基站s的簇头m的发射功率，P_s,i是连接基站s的簇头i的发射功率，

是同时与簇头m在相同的子信道上传输的簇头集合，ξ_s,m,m是二元变量，h_s,m和h_s,i分别为簇头m和簇头i上传数据时的信道增益，σ²为加性白高斯噪声的方差；

簇头m到基站s的数据上传速率为：

其中，B_s是基站s的带宽，W_s是基站s的子信道数量；

簇头m的上传延迟根据如下公式计算：

其中，d_s,m是簇头m提取的信息的数据大小；

综合上述三步交通管理在数据收集、处理以及上传的延迟，交通管理的总延迟为：

其中T_x是区块链延迟。

2.3)抽象用户效用

用户效用等于用户从注册机构中获得的奖励与其在数据处理中计算成本的差；簇头m获得的奖励表示为：

其中，AoI^max是交通管理延迟的上限；

簇头m本地计算的成本为：

其中，l_k,m是任务所需要的CPU周期数，δ_k,m是簇头m运行一周期CPU的成本；

簇头m将任务卸载到移动边缘计算服务器的成本为：

其中，P_k,m是连接移动边缘计算服务器k的簇头m的发射功率，r是单位能量的价格，δ_k是移动边缘计算服务器k运行一周期CPU的价格；

簇头m将任务卸载到簇内成员的成本为：

其中，δ_n是簇内成员n运行一周期CPU的价格；

综合考虑上述三种计算方式，簇头m的计算成本为：

最后簇头m的效用表示为：

2.4)建立最小化交通管理延迟、最大化交通管理安全性以及用户效用的多目标优化模型：

P：

S.t.C1：

C2：

C3：

C4：

C5：

C6：

C7：α_k，m+β_k，m+γ_k，m＝1

C8：

C9：

C10：

C11：

C12：

C13：

C14：SINR_s，m≥SINR^min

C15：AoI_s，m≤AoI^max

其中，

是交易池中交易的集合，T_q是交易q在交易池中的时间，

是簇头m的簇内成员集合；

C1、C2、C6、C7、C8、C12和C13保证决策变量的有效性；

C3保证交通管理的安全性不能低于下限

C4保证区块链的吞吐量不能低于其下限

C5保证交易在区块链中被存储于区块链上之前的时间不能超过上限

C9保证卸载到每个簇内成员的任务不能超过设备对设备的链路容量

C10保证卸载到移动边缘计算服务器的任务不能超过其所有的计算能力上限

C11保证CPU频率最大的簇内成员其任务延迟也最大；

C14保证簇头m的信号与干扰加噪声比不低于其下限SINR^min以保证信息的成功上传；

C15保证交通管理的延迟不超过其上限AoI^max；

(3)将步骤(2)中的多目标优化模型根据优化目标的拆分以及约束条件分解为三个子模型，分别为区块链优化子模型、车辆任务计算子模型以及基站子信道分配子模型；

分解出第一个子模型，即区块链优化：

P1:

s.t.P中C1-C5

C6:

其中，C6保证区块链延迟不超过其上限

分解出第二个子模型，即任务计算：

P2′:

s.t.C1:

C2:

C3:

C4:

C5:

C6:

C7:

C8:

C9:

其中，α＝{α^k}＝{α_k,m}，β＝{β_k,m}，γ＝{γ^k}＝{γ_k,m}，ζ＝{ζ^k}＝{ζ_k,m,n}，

和

分别是移动边缘计算服务器集合、与移动边缘计算服务器k相连的簇头集合和与移动边缘计算服务器k相连的簇头m的簇内成员集合，C4、C5、C6分别保证当簇头m选择本地计算、卸载到移动边缘计算服务器、和卸载到簇内成员时数据收集和数据处理的总时间不超过上限

分解出第三个子模型，即子信道分配：

P3′:

s.t.C1:

C2:

C3:

C4:

其中，ξ＝{ξ^s}＝{ξ_s,m,m},

是同时与簇头m通过相同的基站上传数据的簇头集合，

是基站s的子信道集合；

(4)设计基于深度强化学习的方法求解步骤(3)中区块链优化子模型

通过定义性能最佳提升率

其中

是一个常数，将区块链优化子模型转化为单目标优化模型，然后设计基于深度强化学习的算法结合基于分数的活跃旷工选择算法从路侧单元中选择出最佳的活跃旷工并从交易池中选择出最佳的交易，在区块链安全性以及延迟间做一个权衡，进而解决区块链优化子模型；

(5)利用分布式交替方向乘子法求解3)中车辆任务计算子模型

通过变量松弛和转化以及全局变量的本地拷贝将任务计算子模型转化为凸优化模型并移除移动边缘计算服务器之间的耦合性，利用分布式交替方向乘子法为所有的簇头选择最佳的任务计算方式以最大化所有簇头的效用总和，进而解决任务计算子模型；

(6)设计双边匹配算法求解步骤(3)中基站子信道分配子模型

根据各个簇头在各个子信道的上传时间获得各个簇头降序的子信道偏爱列表，簇头根据偏爱列表请求当前最佳子信道，然后基站根据簇头的优先级处理每个子信道中所有簇头的请求，为每个簇头分配合理的子信道以最小化所有簇头的总上传延迟，进而解决子信道分配子模型；

通过以上步骤，实现了对本发明所提出的终端-边缘-远端管理三层交通管理系统的安全性、延迟以及用户效用的优化。

本发明的有益效果：本发明设计的基于区块链使能的群智感知的智能交通管理系统通过引入区块链、群智感知、边缘计算以及5G技术提出安全、高效、可行的终端-边缘-远端管理三层智能交通管理框架并与人工智能算法、分布式交替方向乘子法以及双边匹配算法结合对交通管理的安全性、延迟以及用户效用进行优化，为智能交通管理系统的设计提出了一种新的有效方案。

附图说明

图1为引入区块链、群智感知、边缘计算以及5G技术的终端-边缘-远端管理三层智能交通管理框架。

图2为设计的以解决区块链优化子模型的基于深度强化学习的算法架构。

图3为基于深度强化学习的算法对于不同的路侧单元数量所选择的活跃旷工数以及交易数和区块链延迟以及吞吐量的变化。

图4为基于深度强化学习的算法对于交易池中不同的交易数量所选择的活跃旷工数以及交易数和区块链延迟以及吞吐量的变化。

图5为对于不同的移动边缘计算服务器运行一周期CPU的价格，任务计算子模型不同的解决方案获得的所有簇头效用总和的对比。

图6为对于不同的簇内成员运行一周期CPU运行的价格，任务计算子模型不同的解决方案获得的所有簇头效用总和的对比。

图7为对于不同的移动边缘计算服务器的总计算能力，任务计算子模型不同的解决方案获得的所有簇头效用总和的对比。

图8为对于不同的数据收集和处理的时间上限，任务计算子模型不同的解决方案获得的所有簇头效用总和的对比。

图9为对于不同的同时上传任务的簇头数量，子信道分配子模型不同的解决方案产生的上传总延迟的对比。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面对本发明的具体实施方式作进一步的详细描述。

本发明提供一种基于区块链使能的群智感知的智能交通管理系统，该方法包括以下步骤：

步骤1)：引入区块链、群智感知、边缘计算和5G技术建立终端-边缘-远端管理三层智能交通管理框架，如图1所示。

1.1)终端层设计：

终端层包含了车辆、注册机构和交通管理部门。其中车辆用于收集交通事件有关的数据，如交通拥堵、交通事故等。注册机构是一个可信的政府机构，并且负责交通管理中车辆以及路侧单元的注册和奖励车辆。交通管理部门负责解决发生的交通事故。

使用车辆群智感知技术分布式地、实时地收集交通数据，为了提高数据收集的效率，群智感知中的车辆基于其位置被分为不同的簇，在每个簇内信息由簇内成员收集并上传给簇头，数据收集结束后，簇头对收集的数据进行统一处理并提取一条准确的消息上传给远端管理层。由于区块链具有安全、去中心化、透明、不可篡改的特性，引入区块链提供安全的数据收集环境并保证车辆在收集过程中的隐私保护以及数据安全。通过匿名化防止车辆在群智感知收集数据过程中隐私的泄露。通过签名的验证保证簇头收集的数据的完整性、可靠性并保证簇内成员的数据成功地被簇头获得。通过将簇内成员收集的数据保存在区块链中防止被篡改以用于簇头根据簇内成员收集的数据对其进行奖励。

1.2)边缘层设计：

边缘层包含了路侧单元和移动边缘计算服务器。由于车辆具有有限的计算能力和存储能力，区块链应用部署在路侧单元上。路侧单元扮演着区块链中旷工的角色，并进一步被分为活跃旷工和备用旷工。活跃旷工可参与区块链的共识过程，而备用旷工只能接受共识结果。进一步，活跃旷工被随机打乱并依次作为区块链中块管理者，负责交易的验证以及块的生成。当簇内成员确定其收集的信息被簇头获得以后，簇内成员会将包含其收集的信息的交易上传给附近的路侧单元进而转发给块管理者以便存储在区块链上。

移动边缘计算服务器有助于簇头对收集到的数据进行处理，由于车辆具有有限的计算能力和存储能力。当簇头完成了数据的收集，并将要通过数据处理提取出一条准确的消息时，有三种任务计算方式可供簇头选择，分别是本地计算、将计算任务卸载到簇内成员以及将计算任务卸载到移动边缘计算服务器。

1.3)远端管理层设计：

远端管理层包含部署了计算服务器的基站。基站主要负责接收来自簇头的信息并验证信息的准确性，通知交通管理部门发生的事件，通过路侧单元通知车辆发生的事件以及通知注册机构相关簇头的奖励信息。由于大量的簇头可能同时给基站上传信息，这会导致巨大的上传延迟。为了降低簇头的上传延迟并提高基站带宽的利用率，基站的信道被划分为多个子信道，并引入5G中非正交多址接入技术，即每个子信道可以同时为多个簇头服务。

步骤2：对交通管理的安全性、延迟以及用户效用进行抽象并建立最大化交通管理安全性、用户效用、最小化交通管理延迟的多目标优化模型。

2.1)抽象交通管理的安全性：

由于设计的交通管理框架的安全性是由区块链保证的，而区块链的安全性是由其共识机制保证。在实用拜占庭容错共识算法中，区块链的安全性是由活跃旷工的数量决定。由于路侧单元是半可信的，设每个路侧单元被攻击者妥协的概率为λ，根据实用拜占庭容错共识算法，当区块链系统中活跃旷工数目为A时且恶意的活跃旷工数量不超过

时，系统的安全性是可以保证的。定义区块链的风险性为当区块链中恶意的活跃旷工数量达到

时的概率，则区块链的安全性可以表示为其对立事件：

其中块x包含了簇头m在数据收集过程中收集到的最后一个消息所对应的交易。

2.2)抽象交通管理的延迟：

交通管理的延迟主要包含了三个部分，即在数据收集中的延迟、数据处理中的延迟以及数据上传中的延迟。

Step1：数据收集中的延迟包含了数据收集的固有时间τ以及区块链的延迟。区块链的延迟计算如下：

其中

是块的产生时间，

是块达成共识所需要的时间。块的产生时间包含了块管理者对块x中交易的验证时间以及块的构成时间，表达如下：

其中w是块的大小，即块x中包含的交易数，

是块管理者A在生成块x时的CPU频率，l_g和l_h分别是验证一个签名和计算一个哈希值所需要的CPU周期数。

块的共识时间包括了块的广播时间

活跃旷工对块管理者签名的验证时间

活跃旷工对块有效性的验证时间

块验证结果的广播时间ψd_xA，活跃旷工对验证结果的比较时间，即对于块管理者为

对于其他活跃旷工为

比较结果单播给块管理者的时间

块管理者对比较结果的审查时间

共识结果的广播时间

以及块添加到区块链上所需要的时间

最坏情况下块x的共识时间表达如下：

其中ψ是关于广播时间的一个常数，d_x是共识过程中消息的大小，

是旷工a的CPU频率，

是从活跃旷工a到块管理者A的数据传输速率，z_q是交易q的数据大小，而

是块x的数据大小，

是活跃矿工集合，

是路侧单元集合，J是路侧单元数量。

Step2：在数据处理过程中，簇头需要提取一条准确的信息，簇头m有三种任务计算方式，分别是本地计算、卸载到移动边缘计算服务器以及卸载到簇内成员。

本地计算时簇头m的任务延迟为：

其中l_k,m是连接移动边缘计算服务器k的簇头m的提取信息任务所需要的CPU周期，

是簇头m的CPU频率。

卸载到移动边缘计算服务器时簇头m的任务延迟包括了传输延迟和移动边缘计算服务器的执行延迟：

其中d_k,m是连接移动边缘计算服务器k的簇头m收集到的数据大小，

是任务从簇头m到移动边缘计算服务器k的数据传输速率，

是簇头m连接的移动边缘计算服务器k的CPU频率。

卸载到簇内成员时簇头m的任务延迟为：

其中N_k,m是簇头m的簇内成员数，

是簇内成员n对于其所分配的卸载任务的任务延迟，其包括了传输给簇内成员n的传输延迟和簇内成员n的执行延迟,表达入下：

其中ζ_k,m,n是簇头m卸载给簇内成员n的任务比例，

是簇头m到簇内成员n的数据传输速率，

是簇内成员n的CPU频率。

综合考虑上述三种任务计算方式，簇头m在数据处理中的任务计算延迟表示为：

其中α_k,m,β_k,m和γ_k,m是二元变量，并且α_k,m＝1,β_k,m＝1,γ_k,m＝1分别表示簇头m在数据处理的过程中选择本地计算、将任务卸载到移动边缘计算服务器和将任务卸载到簇内成员。

Step3：在数据上传过程中，基站应用了非正交多址接入技术，设簇头m在基站s的子信道

中传输，则传输过程中信号与干扰加噪声比为：

其中P_s,m是连接基站s的簇头m的发射功率，P_s,i是连接基站s的簇头i的发射功率，

是同时与簇头m在相同的子信道中传输的簇头集合，ξ_s,m,n是二元变量且

表示簇头m占用基站s中的

子信道，h_s,m和h_s,i分别为簇头m和簇头i上传数据时的信道增益，σ²为加性白高斯噪声的方差。

簇头m到基站s的数据上传速率计算为：

其中B_s是基站s的带宽，W_s是基站s的子信道数量。

簇头m的上传延迟表示为：

其中d_s,m是簇头m提取的信息的数据大小。

综合上述三步交通管理在数据收集、处理以及上传中的延迟，交通管理的总延迟可以表示为：

其中，T_x时区块链延迟。

2.3)抽象用户效用：

用户效用等于用户从注册机构中获得的奖励与其在数据处理中计算成本的差。簇头m获得的奖励表示为：

其中AoI^max是交通管理延迟的上限。

簇头m本地计算的成本为：

其中l_k,m是任务所需要的CPU周期数，δ_k,m是簇头m运行一周期CPU的成本。

簇头m将任务卸载到移动边缘计算服务器的成本为：

其中P_k,m是连接移动边缘计算服务器k的簇头m的发射功率，r是单位能量的价格，δ_k是移动边缘计算服务器k运行一周期CPU的价格。

簇头m将任务卸载到簇内成员的成本为：

其中δ_n是簇内成员n运行一周期CPU的价格。

综合考虑上述三种计算方式，簇头m的计算成本为：

最后簇头m的效用表示为：

2.4)建立最大化交通管理的安全性和用户效用、最小化交通管理延迟的多目标优化模型：

为了最小化交通管理的延迟、最大化交通管理的安全性以及用户效用，建立以下多目标优化模型：

P：

s.t.C1：

C2：

C3：

C4：

C5：

C6：

C7：α_k，m+β_k，m+γ_k，m＝1

C8：

C9：

C10：

C11：

C12：

C13：

C14：SINR_s，m≥SINR^min

C15：AoI_s，m≤AoI^max

其中

是交易池中交易的集合，T_q是交易q在交易池中的时间，

是簇头m的簇内成员集合。

C1、C2、C6、C7、C8、C12和C13保证决策变量的有效性；

C3保证交通管理的安全性不能低于下限

C4保证区块链的吞吐量不能低于其下限

C5保证交易在区块链中被存储于区块链上之前的时间不能超过上限

C9保证卸载到每个簇内成员的任务不能超过设备对设备的链路容量

C10保证卸载到移动边缘计算服务器的任务不能超过其所有的计算能力上限

C11保证CPU频率最大的簇内成员其任务延迟也最大；

C14保证簇头m的信号与干扰加噪声比不能低于下限SINR^min以保证信息的成功上传；

C15保证交通管理的延迟不超过其上限AoI^max；

步骤3)分解多目标优化模型：

将交通管理延迟的上限AoI^max分为三部分AoI^col、AoI^pro和AoI^upl，分别对应数据收集、数据处理以及数据上传的时间上限，则步骤2)中的多目标优化模型通过拆分优化目标可以分解为如下三个子模型：

分解出第一个子模型：区块链优化

P1:

s.t.P中C1-C5

C6:

其中C6保证区块链延迟不超过其上限

且

分解出第二个子模型：任务计算

P2:

s.t.P中C6-C11

其中U_k,m是簇头m在数据处理中获得的效用，且

添加的三个约束条件分别保证当簇头m选择本地计算、卸载到移动边缘计算服务器和卸载到簇内成员时数据收集和数据处理的总时间小于上限

并且满足

由于其他簇头可能同时与簇头m进行任务计算，子模型P2进一步转化为P2′:

P2′:

s.t.C1:

C2:

C3:

C4:

C5:

C6:

C7:

C8:

C9:

其中α＝{α^k＝}α_k,m{，β＝{β_k,m}，γ＝{γ^k}＝{γ_k,m}，ζ＝{ζ^k}＝{ζ_k,m,n},

和

分别是移动边缘计算服务器集合、与移动边缘计算服务器k相连的簇头集合和与移动边缘计算服务器k相连的簇头m的簇内成员集合。

分解出第三个子模型：子信道分配

P3:

s.t.P中C12-C15

由于其他簇头可能同时与簇头m通过同一个基站上传消息，子模型P3进一步转化为P3′：

P3′:

s.t.C1:

C2:

C3:

C4:

其中ξ＝{ξ^s}＝{ξ_s,m,m},

是同时与簇头m通过相同的基站上传数据的簇头集合，

是基站s的子信道集合。

步骤4)设计基于深度强化学习的算法通过从路侧单元中选择活跃旷工以及从交易池中选择交易求解步骤3)中区块链优化子模型，算法的整体架构如图2所示。

4.1)通过定义性能最佳提升率将P1转化为P1′：

P1′:

s.t.P中C1-C5,P1中C6

其中性能最佳提升率

是一个常数。

4.2)设计深度强化学习中状态、动作空间以及奖励函数。

状态空间包含了交易池中所有交易的数据大小

所有交易在交易池中的等待时间

区块链的延迟T_x、区块链的安全性F_x以及区块链的吞吐量Ω_x，表达如下：

动作空间包含了活跃旷工数量指示器Ξ以及选择的交易指示器Δ，表示当前决策时选择的活跃旷工数量以及选择哪些交易构成块，表示如下：

A^′(t)＝[Ξ,Δ]^(t)

奖励函数根据P1′的优化目标以及约束条件定义如下：

4.3)基于步骤4.2),在深度强化学习的每个决策时期，根据当前状态选择最佳的动作，即完成了交易的选择并知道了应该选择的活跃旷工数量，因此设计基于分数的投票选择机制从路侧单元中选择指定数量的活跃旷工，过程如下：

车辆根据以下公式对车辆与路侧单元之间的每次交互进行打分：

然后，车辆n根据与路侧单元j之间的所有交互计算每个分数等级的总分：

其中

用来表示交互

发生的时间

到当前选择活跃旷工的时间t的时间间隔，

是交互

的分数，

是一个二元变量且当

时，

否则等于0。

基于每个等级的分数总和，车辆n给出关于路侧单元j的本地分数如下，该分数保存在区块链上：

其中

和

分别表示每个分数等级的重要性。

定义车辆n给路侧单元j的本地分数的可信度：

其中Π是所有与路侧单元j交互的车辆集合，π是与路侧单元j交互的车辆数目。

最后获得每个路侧单元j被选择为活跃旷工的分数为：

其中ι是链路传输失败的概率，基于该分数对路侧单元进行排序并选择指定数量的分数最高的路侧单元作为活跃旷工。

4.4)迭代基于深度强化学习的算法直至收敛结束。

步骤5：利用分布式交替方向乘子法为每个簇头选择最佳的任务计算方式以最大化所有簇头的效用总和进而解决步骤3)中任务计算子模型。

5.1)利用变量松弛和转化以及全局变量的本地拷贝将P2′转化为凸优化模型。

变量松弛是将α、β、γ松弛为属于区间[0,1]的变量，变量转化是用

替换γ_k,mζ_k,m,n，然后子模型P2′转化为P2″：

P2″:

s.t.C1:

C2:

C3:

C4:

C5:

C6:

C7:

C8:

其中U″_k,m是将U_k,m中γ_k,mζ_k,m,n替换为

获得。

通过每个移动边缘计算服务器维护一个全局变量β的本地复制

从而移除移动边缘计算服务器之间的耦合关系。进而将P2″转化为P2″′：

P2″′:

s.t.C1:

C2:

C3:

C4:

C5:

C6:

C7:

C8:

C9:

C10:

其中U″′_k,m是将U″_k,m中的β_k,m替换成

获得。

定义所有簇头的计算成本与计算奖励的差，表示如下：

其中

最后问题P2″′转化为P2⁽⁴⁾:

P2⁽⁴⁾:

s.t.P2″′中C10

5.2)移动边缘计算服务器分布式执行交替方向乘子法求解问题P2⁽⁴⁾。每个移动边缘计算服务器k初始化算法停止准则

和

初始化拉格朗日乘子[Λ^k]⁽⁰⁾以及解[β^k]⁽⁰⁾。

其中増广拉格朗日公式表达如下：

其中

是拉格朗日乘子，且

K是移动边缘计算服务器数量，M_i是连接移动边缘计算服务器i的簇头数量，∈是一个影响算法收敛速度的常数。

算法停止条件是：

且

5.3)每个移动边缘计算服务器通过求解如下线性规划问题更新变量[α^k]^(t+1)、[γ^k]^(t+1)和

s.t.C′:

P2″′中C1,C2,C4,C5,C7,C8

其中C′保证决策变量的有效性，

表示为：

5.4)每个移动边缘计算服务器通过求解如下二次规划问题更新变量

s.t.C″

P2″′中C3,C6,C9

其中C″为：

5.5)每个移动边缘计算服务器利用如下更新公式更新[β]^(t+1)和[Λ^k]^(t+1)。

5.6)迭代步骤5.3)-5.5)直至满足算法停止条件。

5.7)将变量α、β、γ还原为二元变量，并根据如下公式还原ζ：

步骤6)设计双边匹配算法为簇头分配子信道以最小化总上传延迟，进而解决步骤3)中基站子信道分配子模型。

6.1)所有簇头计算当前时刻在基站的各个子信道的上传时间，并获得基于上传时间的降序的子信道偏爱列表。

6.2)没有分配子信道的所有簇头根据其在步骤6.1)中的获得的偏爱列表请求当前最佳子信道，并将请求的子信道从偏爱列表中删除。

6.3)基站处理每个子信道所收到的所有请求。对于子信道

中簇头m发出的对该子信道的请求，如果子信道

没有被占用，则接受簇头m的请求；如果子信道已经被占用，但簇头m的优先级比已经占用该子信道的某一簇头m′的优先级高且簇头m能够和子信道内其他簇头成功传输数据，则接受簇头m的请求，拒绝簇头m′的请求，其中簇头的优先级根据上传延迟衡量；否则，拒绝簇头m对该子信道的请求。

6.4)重复执行步骤6.2)-6.3)，直到所有的簇头都分配了子信道，算法结束。

通过以上步骤，实现了对本发明所提出的终端-边缘-远端管理三层交通管理框架的安全性、延迟以及用户效用进行优化。

图3、图4分别为基于深度强化学习的算法对于不同的路侧单元数量以及交易池中不同的交易数量所选择的活跃旷工数以及交易数和区块链延迟以及吞吐量的变化。从图3、图4中可以看出，无论是路侧单元数量增加还是交易池中交易数量增加，基于深度强化学习的算法偏向于选择更多的活跃旷工和更多的交易生成块。根据区块链安全性计算公式，可以发现区块链的安全性趋近于1，同时区块链延迟也很低。

图5、图6、图7、图8分别为对于不同的移动边缘计算服务器的CPU运行价格、不同的簇内成员的CPU运行价格、不同的移动边缘计算服务器的总计算能力、不同的数据收集和处理的时间上限，任务计算子模型不同的解决方案所获得的所有簇头效用总和的对比。从图5、图6、图7、图8中可以明显看出，无论移动边缘计算服务器的CPU运行价格、簇内成员的CPU运行价格、移动边缘计算服务器的总计算能力和数据收集与处理的时间上限如何变化，分布式交替方向乘子法都能够在任务计算子模型中获得接近最优的解，且比其他方法产生更大的簇头效用总和。

图9为对于不同的簇头数量，基站子信道分配子模型不同的解决方案产生的总上传延迟的对比。从图9中可以看出，基站引入非正交多址接入技术比传统的正交频分复用减少了巨大的上传延迟，且本发明设计的双边匹配算法能够产生比随机分配算法更小的总上传延迟。

以上的所述乃是本发明的具体实施以及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (1)

1.一种基于区块链使能的群智感知的智能交通管理方法，其特征在于，步骤如下：

(1)引入区块链、群智感知、边缘计算和5G技术建立终端-边缘-远端管理三层智能交通管理框架；

1.1)终端层设计

终端层包含车辆、注册机构和交通管理部门；其中车辆用于收集交通事件有关的数据；注册机构是一个可信的政府机构，并且负责交通管理中车辆以及路侧单元的注册以及奖励车辆；交通管理部门负责解决发生的交通事故；

采用车辆群智感知技术并将车辆聚为不同的簇来分布式地、高效地收集交通数据，并引入区块链技术提供安全的数据收集环境和保证车辆在收集过程中的隐私保护以及数据安全；

1.2)边缘层设计

边缘层包含路侧单元和移动边缘计算服务器；由于车辆具有有限的计算能力和存储能力，区块链应用部署在路侧单元上，并安全存储所有车辆收集的数据以及在选择活跃矿工时车辆给路侧单元的本地分数；

引入边缘计算并借助移动边缘计算服务器帮助车辆对收集到的数据进行处理；当簇头完成数据的收集，并将要通过数据处理提取出一条准确的消息时，有三种任务计算方式供簇头选择，分别是本地计算、将计算任务卸载到簇内成员以及将计算任务卸载到移动边缘计算服务器；

1.3)远端管理层设计

远端管理层包含部署计算服务器的基站；基站主要负责接收来自簇头的信息并验证信息的准确性，通知交通管理部门发生的事件，通过路侧单元通知车辆发生的事件以及通知注册机构相关簇头的奖励信息；

将基站的信道划分为多个子信道，并且引入5G中非正交多址接入技术，即每个子信道同时为多个用户服务；

(2)对交通管理的安全性、延迟以及用户效用进行抽象并建立最大化交通管理的安全性、用户效用且最小化交通管理延迟的多目标优化模型；

2.1)抽象交通管理的安全性

交通管理的安全性由区块链保证并根据如下公式计算区块链的安全性：

其中，x为包含簇头m在数据收集过程中收集到的最后一个消息所对应的交易的块，λ为路侧单元被攻击者妥协的概率，A是区块链中活跃旷工的数量；

2.2)抽象交通管理的延迟

Step1：数据收集中的延迟包含数据收集的固有时间τ以及区块链的延迟；区块链的延迟计算如下：

其中，

是块的产生时间，

是块达成共识所需要的时间；块的产生时间

表达如下：

其中，w是块的大小，即块x中包含的交易数，

是块管理者

在生成块x时的CPU频率，l_g和l_h分别是验证一个签名和计算一个哈希值所需要的CPU周期数；

最坏情况下块x的共识时间表达如下：

其中，

是活跃矿工集合，ψ是关于广播时间的一个常数，d_x是共识过程中消息的大小，

是旷工a的CPU频率，

是从活跃旷工a到块管理者

的数据传输速率，z_q是交易q的数据大小，而

是块x的数据大小，

是路侧单元集合，J是路侧单元个数，

是矿工a在区块链上添加块x所需要的时间；

Step2：在数据处理过程中，簇头m本地计算的任务延迟：

其中，l_k,m是连接移动边缘计算服务器k的簇头m的任务所需要的CPU周期数，

是簇头m的CPU频率；

卸载到移动边缘计算服务器时簇头m的任务延迟：

其中，d_k,m是连接移动边缘计算服务器k的簇头m收集到的数据的大小，

是任务从簇头m到移动边缘计算服务器k的数据传输速率，

是簇头m连接的移动边缘计算服务器k的CPU频率；

卸载到簇内成员时簇头m的任务延迟：

其中，N_k,m是簇头m的簇内成员数，

是簇内成员n对于其所分配的卸载任务的任务延迟，计算入下：

其中，ζ_k,m,n是簇头m卸载到簇内成员n的任务比例，

是簇头m到簇内成员n的数据传输速率，

是簇内成员n的CPU频率；

考虑上述三种任务计算方式，簇头m在数据处理中的任务计算延迟：

其中，α_k,m,β_k,m和γ_k,m是二元变量；

Step3：设在数据上传的过程中簇头m在基站s的子信道

中传输，则传输过程中信号与干扰加噪声比为：

其中，P_s,m是连接基站s的簇头m的发射功率，P_s,i是连接基站s的簇头i的发射功率，

是同时与簇头m在相同的子信道上传输的簇头集合，

是二元变量，h_s,m和h_s,i分别为簇头m和簇头i上传数据时的信道增益，σ²为加性白高斯噪声的方差；

簇头m到基站s的数据上传速率为：

其中，B_s是基站s的带宽，W_s是基站s的子信道数量；

簇头m的上传延迟根据如下公式计算：

其中，d_s,m是簇头m提取的信息的数据大小；

综合上述三步交通管理在数据收集、处理以及上传的延迟，交通管理的总延迟为：

其中T_x是区块链延迟；

2.3)抽象用户效用

用户效用等于用户从注册机构中获得的奖励与其在数据处理中计算成本的差；簇头m获得的奖励表示为：

其中，AoI^max是交通管理延迟的上限；

簇头m本地计算的成本为：

其中，l_k,m是任务所需要的CPU周期数，δ_k,m是簇头m运行一周期CPU的成本；

簇头m将任务卸载到移动边缘计算服务器的成本为：

其中，P_k,m是连接移动边缘计算服务器k的簇头m的发射功率，

是单位能量的价格，δ_k是移动边缘计算服务器k运行一周期CPU的价格；

簇头m将任务卸载到簇内成员的成本为：

其中，δ_n是簇内成员n运行一周期CPU的价格；

综合考虑上述三种计算方式，簇头m的计算成本为：

最后簇头m的效用表示为：

2.4)建立最小化交通管理延迟、最大化交通管理安全性以及用户效用的多目标优化模型：

P：

s.t.C1：

C2：

C3：

C4：

C5：

C6：

C7：α_k，m+β_k，m+γ_k，m＝1

C8：

C9：

C10：

C11：

C12：

C13：

C14：SINR_s，m≥SINR^min

C15：AoI_s，m≤AoI^max

其中，

是交易池中交易的集合，T_q是交易q在交易池中的时间，

是簇头m的簇内成员集合；

C1、C2、C6、C7、C8、C12和C13保证决策变量的有效性；

C3保证交通管理的安全性不能低于下限

C4保证区块链的吞吐量不能低于其下限

C5保证交易在区块链中被存储于区块链上之前的时间不能超过上限

C9保证卸载到每个簇内成员的任务不能超过设备对设备的链路容量

C10保证卸载到移动边缘计算服务器的任务不能超过其所有的计算能力上限

C11保证CPU频率最大的簇内成员其任务延迟也最大；

C14保证簇头m的信号与干扰加噪声比不低于其下限SINR^min以保证信息的成功上传；

C15保证交通管理的延迟不超过其上限AoI^max；

(3)将步骤(2)中的多目标优化模型根据优化目标的拆分以及约束条件分解为三个子模型，分别为区块链优化子模型、车辆任务计算子模型以及基站子信道分配子模型；

分解出第一个子模型，即区块链优化：

P1:

s.t.P中C1-C5

C6:

其中，C6保证区块链延迟不超过其上限

分解出第二个子模型，即任务计算：

P2′:

s.t.C1:

C2:

C3:

C4:

C5:

C6:

C7:

C8:

C9:

其中，α＝{α^k}＝{α_k,m}，β＝{β_k,m}，γ＝{γ^k}＝{γ_k,m}，ζ＝{ζ^k}＝{ζ_k,m,n}，

和

分别是移动边缘计算服务器集合、与移动边缘计算服务器k相连的簇头集合和与移动边缘计算服务器k相连的簇头m的簇内成员集合，C4、C5、C6分别保证当簇头m选择本地计算、卸载到移动边缘计算服务器、和卸载到簇内成员时数据收集和数据处理的总时间不超过上限

分解出第三个子模型，即子信道分配：

P3′:

s.t.C1:

C2:

C3:

C4:

其中，

是同时与簇头m通过相同的基站上传数据的簇头集合，

是基站s的子信道集合；

(4)设计基于深度强化学习的方法求解步骤(3)中区块链优化子模型

通过定义性能最佳提升率

其中

是一个常数，将区块链优化子模型转化为单目标优化模型，然后设计基于深度强化学习的算法结合基于分数的活跃旷工选择算法从路侧单元中选择出最佳的活跃旷工并从交易池中选择出最佳的交易，在区块链安全性以及延迟间做一个权衡，进而解决区块链优化子模型；

(5)利用分布式交替方向乘子法求解3)中车辆任务计算子模型

通过变量松弛和转化以及全局变量的本地拷贝将任务计算子模型转化为凸优化模型并移除移动边缘计算服务器之间的耦合性，利用分布式交替方向乘子法为所有的簇头选择最佳的任务计算方式以最大化所有簇头的效用总和，进而解决任务计算子模型；

(6)设计双边匹配算法求解步骤(3)中基站子信道分配子模型

根据各个簇头在各个子信道的上传时间获得各个簇头降序的子信道偏爱列表，簇头根据偏爱列表请求当前最佳子信道，然后基站根据簇头的优先级处理每个子信道中所有簇头的请求，为每个簇头分配合理的子信道以最小化所有簇头的总上传延迟，进而解决子信道分配子模型。

Images