方俊杰 ，雷 凱

1.北京大學(xué)信息工程學(xué)院深圳市內(nèi)容中心網(wǎng)絡(luò)與區(qū)塊鏈重點實驗室，深圳518055

2.北京大學(xué)互聯(lián)網(wǎng)研究院（深圳），深圳518055

區(qū)塊鏈作為比特幣的底層支撐技術(shù)，能在泛中心環(huán)境下以安全可驗證的方式構(gòu)建分類賬，因而得到了廣泛關(guān)注.在區(qū)塊鏈中，網(wǎng)絡(luò)中的任何節(jié)點都可以進行事務(wù)的驗證和轉(zhuǎn)發(fā).所有節(jié)點共同維護包含事務(wù)的區(qū)塊有序鏈接的分類賬，從而構(gòu)建了一個無法篡改的、全網(wǎng)一致的狀態(tài)記錄[1].因此，除了應(yīng)用于數(shù)字貨幣領(lǐng)域外，區(qū)塊鏈技術(shù)也正在改變著各種無信任環(huán)境下的交易模式[2].區(qū)塊鏈可用于記錄交易、消息傳遞、身份認(rèn)證和訪問控制管理等，在建立更安全的系統(tǒng)上具有相當(dāng)大的潛力[2-3].雖然區(qū)塊鏈技術(shù)呈現(xiàn)出極具潛力的應(yīng)用需求，但考慮到區(qū)塊鏈本身的特性和限制因素，針對其實際應(yīng)用領(lǐng)域的探索工作也是學(xué)界的研究重點.

2017年出現(xiàn)的云-邊緣人工智能系統(tǒng)的概念[4]，催生出邊緣人工智能計算的研究方向和發(fā)展.隨著物聯(lián)網(wǎng)和移動計算的普及，分散的終端設(shè)備產(chǎn)生的海量數(shù)據(jù)存儲在大量的邊緣節(jié)點上，為人工智能應(yīng)用提供數(shù)據(jù)來源.然而，傳統(tǒng)的以云計算為主的架構(gòu)面臨著數(shù)據(jù)收集的成本問題、終端敏感數(shù)據(jù)的隱私保護問題、終端數(shù)據(jù)與云計算交互的時延問題等，越來越無法滿足當(dāng)前人工智能的數(shù)據(jù)需求.因此，將中心的計算和存儲下放到邊緣網(wǎng)絡(luò)的新型人工智能范式逐漸成為一個具有重要意義的研究方向[5-7].

區(qū)塊鏈天然的泛中心分布式可信特性為設(shè)計邊緣人工智能計算的框架與范式提供了新的思路.在邊緣人工智能計算中，運行人工智能算法的多個設(shè)備分散在邊緣網(wǎng)絡(luò)中.為了協(xié)作完成人工智能計算任務(wù)或聯(lián)合進行智能群體決策，這些設(shè)備之間需要頻繁通信.然而，無論是設(shè)備本身還是設(shè)備間的通信都面臨著多種網(wǎng)絡(luò)安全攻擊的威脅，如設(shè)備有可能發(fā)生故障或存有惡意，在這種情況下傳輸?shù)男畔⒖赡苄孤痘虮淮鄹?區(qū)塊鏈作為一種由密碼學(xué)支撐的、可驗證的、不可篡改的分類賬，可以通過事務(wù)記錄和對事務(wù)記錄有效性的分布式共識來保障分散不可信環(huán)境中的安全交互，正好可以在邊緣人工智能計算的場景下發(fā)揮作用.同時，區(qū)塊鏈的共識機制與激勵機制配合智能合約天然適合構(gòu)建一個經(jīng)濟市場，可以有效激勵邊緣人工智能計算中信息的共享與交互.

在現(xiàn)有的文獻中，有研究人員對區(qū)塊鏈、邊緣計算與人工智能分別進行了綜述，也有研究人員著眼于區(qū)塊鏈與邊緣計算[8]的結(jié)合或區(qū)塊鏈與人工智能的結(jié)合[9].不過就區(qū)塊鏈在邊緣人工智能計算環(huán)境下的作用而言，到目前為止還缺乏探索性研究和綜述工作.為此，本文從區(qū)塊鏈技術(shù)的架構(gòu)出發(fā)，概述了區(qū)塊鏈方向的相關(guān)研究成果；結(jié)合人工智能和邊緣計算的發(fā)展，介紹了邊緣人工智能計算的概念和發(fā)展需求；面向邊緣人工智能計算的需求，詳細(xì)分析并討論了區(qū)塊鏈技術(shù)與邊緣人工智能計算相結(jié)合的需求及其發(fā)展方向；總結(jié)出區(qū)塊鏈技術(shù)在邊緣人工智能計算領(lǐng)域的應(yīng)用優(yōu)勢和探索方向.

1 區(qū)塊鏈及其研究概述

1.1 區(qū)塊鏈技術(shù)背景

自2008年中本聰發(fā)表比特幣白皮書[1]以來，區(qū)塊鏈作為比特幣的底層技術(shù)得到了廣泛的關(guān)注與討論[10].簡單來說，區(qū)塊鏈?zhǔn)且粋€開放的、分布式的數(shù)字賬本，以可驗證且不可篡改的方式有效地記錄各方之間的交易.與傳統(tǒng)的中心化賬本系統(tǒng)相比，區(qū)塊鏈系統(tǒng)中的所有參與節(jié)點通過共識算法共同維護分布式分類賬.區(qū)塊鏈中的區(qū)塊對其數(shù)據(jù)結(jié)構(gòu)有嚴(yán)格的規(guī)范要求，其中所有的區(qū)塊頭都記錄其先前區(qū)塊的加密散列值，以確保歷史事務(wù)記錄的完整性與一致性.

從更廣泛的意義上來說，區(qū)塊鏈也可以作為一種底層框架.區(qū)塊鏈框架可以細(xì)分為網(wǎng)絡(luò)層、數(shù)據(jù)層、應(yīng)用層[2]，如圖1所示.數(shù)據(jù)層一般會給出區(qū)塊鏈的數(shù)據(jù)記錄類型和數(shù)據(jù)結(jié)構(gòu).數(shù)據(jù)記錄也被稱作事務(wù)(transaction)，這些事務(wù)是特定時間發(fā)生的節(jié)點之間特定交互動作的證據(jù)，比如比特幣中事務(wù)記錄的是資金的轉(zhuǎn)移.從數(shù)據(jù)結(jié)構(gòu)的角度來看，以比特幣為代表的典型區(qū)塊鏈?zhǔn)且幌盗胁粩嘣鲩L的含有事務(wù)的區(qū)塊的鏈表.如圖2中的(a)所示，一個區(qū)塊通常由區(qū)塊頭和包含一系列事務(wù)的區(qū)塊體組成.每個區(qū)塊包含一組新的事務(wù)，以及前一個塊的散列值，以便將當(dāng)前塊鏈接到前一個塊.散列值和時間戳的設(shè)計使得修改記錄變得困難，因為每一個區(qū)塊都依賴于前一個區(qū)塊和當(dāng)前時間.除了鏈?zhǔn)浇Y(jié)構(gòu)之外，近年來出現(xiàn)了基于有向無環(huán)圖(directed acyclic graph, DAG)的新型數(shù)據(jù)結(jié)構(gòu)[11].如圖2(b)所示，基于DAG 結(jié)構(gòu)的區(qū)塊鏈消除了區(qū)塊的概念，這樣每個交易都是分布式賬本中鏈接的單個節(jié)點.這些節(jié)點不受單一主鏈的約束，它們之間的關(guān)系就像一張糾纏的網(wǎng).

圖1 區(qū)塊鏈框架Figure 1 Blockchain framework

圖2 區(qū)塊鏈數(shù)據(jù)結(jié)構(gòu)Figure 2 Blockchain data structure

網(wǎng)絡(luò)層則泛指整個應(yīng)用區(qū)塊鏈的交互環(huán)境，除了包括分布式點對點網(wǎng)絡(luò)和在該網(wǎng)絡(luò)運行的網(wǎng)絡(luò)協(xié)議（如常見的TCP/IP 協(xié)議）以及最重要的用于分布式網(wǎng)絡(luò)生成新區(qū)塊的共識機制外，還包括在用戶之間更新和分發(fā)區(qū)塊鏈的協(xié)議設(shè)計.網(wǎng)絡(luò)協(xié)議并不僅僅局限于當(dāng)前的TCP/IP 協(xié)議.已有一些研究在未來新型網(wǎng)絡(luò)架構(gòu)的協(xié)議下部署區(qū)塊鏈，比如命名數(shù)據(jù)網(wǎng)絡(luò)(named data networking, NDN)[12].共識機制或共識算法是區(qū)塊鏈系統(tǒng)的關(guān)鍵組成部分，由于沒有中心節(jié)點來確保分布式節(jié)點上的賬本都是相同的，區(qū)塊鏈就需要一些協(xié)議來確保不同節(jié)點中的存儲副本是一致的[3].

工作證明(proof of work, PoW)是在比特幣網(wǎng)絡(luò)[1]中使用的一種共識算法，該算法要求網(wǎng)絡(luò)中的每個節(jié)點都計算一串特定的哈希散列值.如果計算出的目標(biāo)散列值的正確性得到了其他所有節(jié)點的驗證，則該節(jié)點將會獲得產(chǎn)生新區(qū)塊的權(quán)利.整個工作證明的過程被稱為挖礦，計算散列值的節(jié)點被稱為礦工.礦工們不得不進行大量的計算，然而這些計算除了挑選出一個記錄事務(wù)的節(jié)點外，并沒有其他實際意義，因而這種共識因浪費太多的資源而被批判.以太坊提出的股權(quán)證明(proof of stake, PoS)[13]是PoW 的改進，此時礦工改為證明貨幣數(shù)量的所有權(quán)，而不是利用自己的算力計算沒有特定含義的哈希散列值.相比之下減少了資源浪費的現(xiàn)象，因此選出下一個生成區(qū)塊節(jié)點的過程也更高效.文獻[14]使用的股權(quán)委托證明(delegated proof of stake, DPoS)是PoS 的改進形式.DPoS 被認(rèn)為是一種代議制民主，由節(jié)點投票選擇出特定數(shù)目的代理節(jié)點來生成并驗證區(qū)塊.因為驗證塊的節(jié)點數(shù)明顯減少，所以加快了區(qū)塊的確認(rèn)速度，使事務(wù)得到了更快的確認(rèn).實用拜占庭容錯算法(practical Byzantine fault tolerance, PBFT)是可以容忍拜占庭故障的算法，整個共識過程分為預(yù)準(zhǔn)備、準(zhǔn)備和響應(yīng)3 個階段.在每個階段，如果一個節(jié)點獲得了所有節(jié)點中2/3 以上的投票就可以進入下一個階段.因為要為節(jié)點投票，所以網(wǎng)絡(luò)中的節(jié)點被要求掌握其他所有節(jié)點的信息并與之進行通信，可見該算法不太適用于網(wǎng)絡(luò)規(guī)模較大的情況.PBFT 更多地用于節(jié)點數(shù)量較少的聯(lián)盟鏈或者私有鏈，比如Hyperledger Fabric[15].表1比較了這4 種常見的共識算法，而最近又出現(xiàn)了許多改進的共識算法和全新的共識算法.

表1 4 種典型共識算法比較Table 1 Comparison of four typical consensus algorithms

應(yīng)用層提供了各種應(yīng)用程序.區(qū)塊鏈最常見的應(yīng)用是以比特幣為代表的數(shù)字加密貨幣，而另一個廣泛的應(yīng)用是智能合約.智能合約的引入標(biāo)志著區(qū)塊鏈進入了2.0 時代[16].智能合約依托區(qū)塊鏈的分散共識機制，允許相互不信任的用戶在不需要任何第3 方可信的授權(quán)和監(jiān)管下完成數(shù)據(jù)交換或交易.以太坊是目前使用最廣泛的支持智能合約的區(qū)塊鏈，多種多樣的智能合約應(yīng)用是基于以太坊進行開發(fā)的[13].當(dāng)前，區(qū)塊鏈作為一種可行解決方案可用于增強系統(tǒng)的可信性和安全性[17-22]，包括物聯(lián)網(wǎng)(Internet of Things, IoT)、金融經(jīng)濟、云計算和邊緣計算等.自從區(qū)塊鏈用于比特幣等加密貨幣以來，隨著工業(yè)界和學(xué)術(shù)界對其技術(shù)和應(yīng)用的不斷探索，人們對區(qū)塊鏈的興趣一直在增加[2-3].與此同時，學(xué)術(shù)界也在不斷地改進區(qū)塊鏈技術(shù)的數(shù)據(jù)層和網(wǎng)絡(luò)層，以獲得更好的性能為上層應(yīng)用提供服務(wù).

1.2 區(qū)塊鏈技術(shù)研究簡述

針對區(qū)塊鏈的研究可以簡單地分為兩類：一類是對區(qū)塊鏈自身加以改進，另一類則是將區(qū)塊鏈作為一種解決方案應(yīng)用于各種場景.

1.2.1 區(qū)塊鏈自身改進

改進區(qū)塊鏈自身的研究具體分為三部分：一是提出新的區(qū)塊鏈共識算法以改進現(xiàn)有共識算法的不足，二是解決區(qū)塊鏈的可拓展性問題，三是針對區(qū)塊鏈系統(tǒng)的攻擊問題給出解決方案.

在PoW 算法中，各節(jié)點所計算出的都是一串具有特殊前綴的散列值，這樣的計算不但沒有附加價值，而且浪費了太多的資源.因此，文獻[23]提出將各節(jié)點計算無意義的哈希散列值改為計算額外的具有潛在科學(xué)價值的特殊素數(shù)，且使用這樣的特殊素數(shù)可以保持PoW 的一些重要特性，如被其他節(jié)點有效驗證、不可重用、難度可調(diào)整.在PoW 算法中，每個區(qū)塊的產(chǎn)生都要等待一個散列值的計算和驗證，且一個區(qū)塊因大小限制而導(dǎo)致包含的事務(wù)有限，因此系統(tǒng)吞吐量并不太高.為了在保障區(qū)塊鏈系統(tǒng)安全性不受影響的前提下提升系統(tǒng)吞吐量，文獻[24]提出將共識過程解耦為兩個操作：一是選舉產(chǎn)生新區(qū)塊的領(lǐng)導(dǎo)者，二是將事務(wù)序列化添加到區(qū)塊鏈中.這種算法不太頻繁地隨機選出領(lǐng)導(dǎo)者，并由領(lǐng)導(dǎo)者單方面主導(dǎo)將該時期內(nèi)的事務(wù)添加到區(qū)塊鏈中.與此類似，文獻[25]引入可驗證隨機函數(shù)(variable random function,VRF)來選舉產(chǎn)生新區(qū)塊的領(lǐng)導(dǎo)者.VRF 的特性保證了下一個領(lǐng)導(dǎo)者節(jié)點不可被預(yù)測，且隨機產(chǎn)生的領(lǐng)導(dǎo)者可以被其余節(jié)點所驗證.

區(qū)塊鏈可拓展性問題可以分為3 類：吞吐量問題、成本問題、容量問題[26].具體描述如下：1）比特幣作為一種交易系統(tǒng)，目前每秒處理的事務(wù)大約是7 筆，遠(yuǎn)落后于Visa 系統(tǒng)每秒處理的上萬筆[27].由于塊大小的限制，區(qū)塊鏈存在等待事務(wù)被包含到塊中的問題.如果為此縮短生成區(qū)塊的間隔時間，就可能造成區(qū)塊鏈分叉的問題.2）根據(jù)比特幣和以太坊的現(xiàn)有機制，用戶創(chuàng)建一個事務(wù)需要向礦工付費，這是成本問題.3）節(jié)點需要存儲自創(chuàng)世區(qū)塊以來全部的區(qū)塊副本，如果所有的事務(wù)都存儲在一個鏈中，那么這個鏈的賬本容量就會變得太大而無法維護，這是容量問題.目前以太坊的區(qū)塊存儲大小是444.06 GB，已經(jīng)是一個較大規(guī)模的體量[28].

第1 種提高可拓展性方案的思路是更改比特幣區(qū)塊鏈的數(shù)據(jù)結(jié)構(gòu)或交易確認(rèn)方式.文獻[11]提出了基于有向無環(huán)圖的結(jié)構(gòu)，并將其稱之為Tangle.鏈?zhǔn)浇Y(jié)構(gòu)的區(qū)塊鏈要求將新事務(wù)附加到主鏈之前對其進行驗證，以保證節(jié)點之間同步的一致性.與之不同的是，Tangle 采用了異步一致的方式，在提交新事務(wù)之前節(jié)點必須驗證兩個以前的事務(wù).這兩個被驗證的事務(wù)已附加到有向無環(huán)圖中但沒有得到網(wǎng)絡(luò)中其他節(jié)點規(guī)定次數(shù)的確認(rèn)，之后節(jié)點運行PoW 算法將這兩個新的事務(wù)捆綁在一起廣播到網(wǎng)絡(luò)中.每個新事務(wù)以后都將由其他更新的事務(wù)進行驗證.每個事務(wù)都有一個稱為權(quán)值的度量，它與事務(wù)的驗證次數(shù)成正比，權(quán)值越大，交易越難被篡改.理論上，這樣的數(shù)據(jù)結(jié)構(gòu)設(shè)計和交易確認(rèn)機制可以提高網(wǎng)絡(luò)吞吐量和系統(tǒng)響應(yīng)時間.權(quán)益證明協(xié)議(proof of property)[29]的提出可以在新事務(wù)中添加與當(dāng)前系統(tǒng)狀態(tài)有關(guān)的部分，這樣其他節(jié)點無需存儲完整的區(qū)塊鏈也可以完成驗證.

不改變區(qū)塊鏈鏈?zhǔn)浇Y(jié)構(gòu)的性能提升方案進一步細(xì)分為鏈上解決方案、鏈下解決方案和跨鏈解決方案.對于鏈上解決方案，最簡單的方法是調(diào)整區(qū)塊的大小和生成區(qū)塊的間隔時間[30]，另外比較有代表性的是分片技術(shù)[31].分片技術(shù)可以類比于分布式數(shù)據(jù)庫，其關(guān)鍵思路是將一個大型網(wǎng)絡(luò)劃分成一些小的委員會，每個委員會通過運行PBFT這樣效率更高的共識算法來處理一組互不關(guān)聯(lián)的事務(wù).分成多組委員會處理不同的事務(wù)不僅可以減少每個節(jié)點的負(fù)擔(dān)，而且可以通過并行處理來提高整個系統(tǒng)吞吐量.一個典型的鏈下解決方案是閃電網(wǎng)絡(luò)[32].閃電網(wǎng)絡(luò)主要用來提升比特幣等電子支付系統(tǒng)的可拓展性，它的核心思想：不是每一筆交易事務(wù)都有必要放到區(qū)塊中通過PoW 共識得到全網(wǎng)確認(rèn)，而是允許將一部分交易的記錄和確認(rèn)放到鏈下完成.跨鏈解決方案提出可以通過多條相同類型或不同類型的區(qū)塊鏈之間的相互合作來提供更豐富的功能和更強的性能，目標(biāo)是將另一個區(qū)塊鏈的功能引入當(dāng)前的區(qū)塊鏈，主要關(guān)注的是如何在多個區(qū)塊鏈系統(tǒng)之間實現(xiàn)有效的通信和高效的數(shù)據(jù)傳輸[33-34].

大多數(shù)區(qū)塊鏈面臨的特有安全攻擊是針對比特幣網(wǎng)絡(luò)的[10].51%攻擊是指具有全網(wǎng)一半以上的算力就可以操縱新區(qū)塊的生成.自私攻擊是指為了獲得不適當(dāng)?shù)莫剟疃速M誠實礦工的計算能力[35].攻擊者不廣播挖掘到的區(qū)塊而是私下持有，之后自私的攻擊者們會在這條私有鏈上繼續(xù)進行挖礦，并試圖保持一條比公共鏈更長的私有分支.邊界網(wǎng)關(guān)協(xié)議(border gateway protocol, BGP)劫持攻擊[36]是一種劫持路由延遲網(wǎng)絡(luò)消息的攻擊，因為一些比特幣礦池高度集中，所以BGP 劫持攻擊的攻擊者可以使比特幣網(wǎng)絡(luò)分叉，或者延遲塊傳播的速度.僵尸網(wǎng)絡(luò)攻擊[37]是由具有不同IP 地址范圍的機器人發(fā)起的，通過獨占受害者的輸入輸出信道將受害者節(jié)點與網(wǎng)絡(luò)其他節(jié)點隔離，從而使受害者節(jié)點接收不到區(qū)塊鏈的最新信息.活躍攻擊[38]則是針對以太坊網(wǎng)絡(luò)的，該攻擊能夠盡可能地延遲目標(biāo)事務(wù)的確認(rèn)時間.針對安全攻擊問題，現(xiàn)有的主要解決方案是提出新的礦池[39].

1.2.2 典型區(qū)塊鏈應(yīng)用

區(qū)塊鏈的應(yīng)用大致可以分為以下幾類：金融和市場領(lǐng)域應(yīng)用、聲譽系統(tǒng)、安全和隱私增強[3].區(qū)塊鏈在金融和市場領(lǐng)域最廣泛而知名的應(yīng)用就是以比特幣[1]、以太坊[13]等為代表的電子加密貨幣，除此之外在構(gòu)建點對點金融市場、跨域金融資產(chǎn)的清算結(jié)算、供應(yīng)鏈流程追溯管理[40]方面也有大量的應(yīng)用.對于構(gòu)建聲譽系統(tǒng)[41]，區(qū)塊鏈可以解決電子商務(wù)聲譽方案中利用注冊大量的虛假客戶以獲得高聲譽的問題.聲譽信息因為存儲在區(qū)塊鏈上，所以無法篡改，且所有聲譽變化都很容易檢測.針對安全增強問題，區(qū)塊鏈可以解決重要的中心節(jié)點的單點故障問題.由于可以減小公私鑰分發(fā)設(shè)備受到攻擊的影響，區(qū)塊鏈甚至可以幫助構(gòu)建更加可靠的公私鑰基礎(chǔ)設(shè)施[42].針對隱私保護，基于區(qū)塊鏈構(gòu)建的數(shù)據(jù)存儲系統(tǒng)可以在確保用戶擁有數(shù)據(jù)所有權(quán)的同時保障用戶的匿名性[43].

將區(qū)塊鏈應(yīng)用到物聯(lián)網(wǎng)、車聯(lián)網(wǎng)、邊緣計算等場景時，會面臨一個常見的問題：網(wǎng)絡(luò)中存在大量資源受限的設(shè)備.這些受限設(shè)備的存儲計算處理能力十分有限，很難存儲完整的區(qū)塊鏈賬本或運行較耗費計算資源的PoW 共識算法.因此，當(dāng)區(qū)塊鏈應(yīng)用在這些場景時，通常會考慮將路由器、邊緣服務(wù)器等納入考慮范圍來設(shè)計系統(tǒng)框架.以邊緣計算為例，終端設(shè)備被認(rèn)為是資源受限的設(shè)備，其存儲計算處理能力十分有限，不適合部署區(qū)塊鏈.因此，只在邊緣服務(wù)器層和云服務(wù)器層部署區(qū)塊鏈，而終端設(shè)備通過與邊緣服務(wù)器通信連接獲取區(qū)塊鏈上的信息[44-45].文獻[46-47]則考慮讓終端設(shè)備和邊緣服務(wù)器都參與到區(qū)塊鏈中.文獻[48-49]定義了3 種類型的節(jié)點：輕量級節(jié)點、標(biāo)準(zhǔn)節(jié)點和交換級節(jié)點.其中：類似終端設(shè)備的輕量級節(jié)點保留一個帶有區(qū)塊鏈地址和余額的錢包，只執(zhí)行提出交易等任務(wù)；標(biāo)準(zhǔn)節(jié)點保存部分區(qū)塊鏈的副本信息，主要是收集輕量級節(jié)點的交易或相應(yīng)輕量級節(jié)點的查詢；交換級節(jié)點則保存了區(qū)塊鏈的完整副本記錄并可以提供區(qū)塊鏈的分析服務(wù).文獻[46-47]均考慮使用聯(lián)盟鏈管理物聯(lián)網(wǎng)虛擬資源，并將物聯(lián)網(wǎng)虛擬資源(代碼或數(shù)據(jù)) 存儲在區(qū)塊中.與此同時，在聯(lián)盟鏈中注冊的多個用戶可以定義和部署自己的虛擬系統(tǒng)，并對區(qū)塊進行讀寫.

2 邊緣人工智能計算

2.1 人工智能概要

根據(jù)《人工智能—一種現(xiàn)代方法》[50]一書的定義，人工智能是一種被人類設(shè)計出來的可以將感知信息映射到行動的智能體，它可以根據(jù)環(huán)境采取理性的行為并做出決策.人工智能一詞雖然在近些年來得到了社會各界的廣泛關(guān)注，但不是一個新的術(shù)語，而是經(jīng)過了數(shù)十年的起起落落發(fā)展的研究領(lǐng)域[51].人工智能之所以重新崛起，得益于硬件水平發(fā)展的支撐以及機器學(xué)習(xí)和深度學(xué)習(xí)方面取得的新突破[52].

機器學(xué)習(xí)是一門不需要明確編程就能讓計算機運行的技術(shù).在過去的十幾年里，機器學(xué)習(xí)使得物聯(lián)網(wǎng)、智慧城市、智慧醫(yī)療、自動駕駛汽車、語音識別以及人類基因組等諸多方面得到了更深入的研究[53-58].許多研究人員認(rèn)為，機器學(xué)習(xí)技術(shù)是向高水平的人工智能發(fā)展的最佳途徑[51].然而，傳統(tǒng)的機器學(xué)習(xí)技術(shù)處理原始數(shù)據(jù)的能力有限，構(gòu)造一個機器學(xué)習(xí)系統(tǒng)通常需要擁有豐富專業(yè)知識的專家?guī)椭O(shè)計一個特征提取器，以便將原始數(shù)據(jù)轉(zhuǎn)換成機器學(xué)習(xí)系統(tǒng)內(nèi)合適的表示方式或者特征向量[52].深度學(xué)習(xí)方法是一種具有多層表示的表示學(xué)習(xí)方法，允許向機器輸入原始數(shù)據(jù)并自動學(xué)習(xí)出所需的表示.它通過組合簡單但非線性的模塊來完成這一任務(wù)，其中每個模塊將一個級別的表示轉(zhuǎn)換為一個更高的、更抽象的表示[52].正因為這樣的特性，深度學(xué)習(xí)在發(fā)現(xiàn)高維數(shù)據(jù)中的復(fù)雜結(jié)構(gòu)方面表現(xiàn)得非常出色，在科學(xué)、商業(yè)和政府的許多應(yīng)用領(lǐng)域均取得了重大進展.

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)、長短期記憶(long short-term memory, LSTM)網(wǎng)絡(luò)和去噪自編碼器(de-noising auto encoder,DAE)是目前廣泛應(yīng)用的深度學(xué)習(xí)方法.其中，CNN 是最為常見的深度學(xué)習(xí)架構(gòu)之一，常用于圖像處理方面.它包含3 種不同的模塊（又可稱為層），分別為卷積層、池化層和全連接層.最常見的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)有GoogLeNet[59]、VGGNet[60]、AlexNet[61]、ResNet[62]等.RNN 主要用來識別序列輸入，比如語音、文本等信息，它利用循環(huán)的連接結(jié)構(gòu)并根據(jù)循環(huán)計算處理輸入數(shù)據(jù).相較于CNN，RNN 會區(qū)分不同時間的輸入[63].隨著時間的推移，它的輸出會進入下一個時間段，而不是在同一時間段內(nèi)進入下一層，這樣之前的所有輸入數(shù)據(jù)就可以和當(dāng)前的輸入數(shù)據(jù)一起共同計算最后的輸出.LSTM 網(wǎng)絡(luò)可以被看成一種拓展的循環(huán)神經(jīng)網(wǎng)絡(luò)，它通常包含輸入門、輸出門和遺忘門3 個核心模塊，可以控制何時讓輸入信息進入神經(jīng)元并在多大程度上將前一個時間段中計算的內(nèi)容納入當(dāng)前計算的考慮范疇.LSTM 可用于文字、語音序列識別和圖像處理等[64]，其主要優(yōu)點在于它的輸出是根據(jù)當(dāng)前時間的輸入來決定的.DAE[65]是一種用于從噪聲數(shù)據(jù)集中學(xué)習(xí)特征的非對稱神經(jīng)網(wǎng)絡(luò)，主要由輸入層、編碼層和解碼層組成.

2.2 邊緣計算興起

邊緣計算是一個與云計算相對的概念.隨著用戶對服務(wù)質(zhì)量(quality of service, QoS)的要求不斷提升，為了解決從云到用戶中間長時間延遲的問題，文獻[66-67]提出云服務(wù)應(yīng)該被轉(zhuǎn)移到更靠近終端用戶的地方，即移動網(wǎng)絡(luò)的邊緣節(jié)點，這就是所謂的邊緣計算.邊緣計算的概念涵蓋了多種不同領(lǐng)域的技術(shù)，包括軟件定義網(wǎng)絡(luò)(software-defined networking, SDN)、面向服務(wù)計算（service-oriented computing, SOC）、計算機體系結(jié)構(gòu)等，其核心思想是將計算和通信資源從云轉(zhuǎn)移到網(wǎng)絡(luò)的邊緣節(jié)點上，從而為邊緣的用戶提供更快的服務(wù)與計算響應(yīng)，減少中間不必要的通信延遲和網(wǎng)絡(luò)擁塞.

邊緣計算一詞常與移動邊緣計算（mobile edge computing,MEC）、霧計算(fog computing,FC）等概念混淆.移動邊緣計算的概念由歐洲電信標(biāo)準(zhǔn)協(xié)會于2014年提出[66]，具體定義為“在無線接入網(wǎng)(radio access network, RAN)中向移動用戶提供IT 服務(wù)環(huán)境和云計算能力”的新平臺.霧計算則被認(rèn)為是邊緣計算更一般化的概念，由思科公司在2012年提出[67]，是一種使得位于網(wǎng)絡(luò)邊緣的數(shù)十億連接設(shè)備運行應(yīng)用程序成為可能的計算范式.值得注意的是：邊緣計算、霧計算和移動邊緣計算的研究領(lǐng)域通常是重疊的，而且這幾個術(shù)語經(jīng)?？梢曰Q使用.為了避免混淆，本文將統(tǒng)一使用邊緣計算這一術(shù)語.

邊緣計算范式的建立基于網(wǎng)絡(luò)功能虛擬化(network function virtualization, NFV)、信息中心網(wǎng)絡(luò)(information-centric networking, ICN)和軟件定義網(wǎng)絡(luò)(software defined network,SDN)等方面研究的最新進展[68-70].具體來說，網(wǎng)絡(luò)功能虛擬化使得單個邊緣設(shè)備能夠向多個移動終端設(shè)備提供計算服務(wù)，這樣單個的邊緣設(shè)備可以創(chuàng)建多個虛擬機來同時執(zhí)行不同的任務(wù)或操作不同的網(wǎng)絡(luò)功能.信息中心網(wǎng)絡(luò)則為邊緣計算提供了一個端到端的服務(wù)識別范式，從以主機為中心轉(zhuǎn)換為以信息為中心而實現(xiàn)可以感知內(nèi)容的計算.同時，軟件定義網(wǎng)絡(luò)允許網(wǎng)絡(luò)管理員通過服務(wù)抽象來管理服務(wù)，以實現(xiàn)動態(tài)的可伸縮的計算.邊緣計算對于系統(tǒng)中的移動運營商、服務(wù)提供商和終端用戶都是有利的[71].移動運營商能夠以更加靈活便捷的方式部署它們的服務(wù)，比如提供存儲資源、計算資源或者其他IT資源，同時根據(jù)所使用的服務(wù)進行收費而獲利.服務(wù)提供商們可以提供支持更高帶寬和更低時延的服務(wù)并從這種更好的服務(wù)中獲取利潤.對于終端用戶來說，由于與服務(wù)者的物理距離更短以及無線接入網(wǎng)更加密集，用戶體驗可以得到有效提升，比如獲得更高吞吐量的瀏覽、更快的視頻緩存和更及時的域名系統(tǒng)相關(guān)服務(wù)等.

2.3 邊緣人工智能計算(edge AI computing)

2.3.1 人工智能與邊緣計算結(jié)合趨勢

近年來，一種被稱作邊緣人工智能計算或邊緣智能（edge AI/edge intelligence）的研究正獲得越來越多的關(guān)注.2017年，美國加州大學(xué)伯克利分校發(fā)布的有關(guān)人工智能的白皮書中就提出云-邊緣人工智能系統(tǒng)是一個重要研究方向[4]；2018年，知名調(diào)研機構(gòu)Gartner 將邊緣智能寫入新一版的人工智能曲線[72].一個公認(rèn)的事實是，人工智能與邊緣計算的融合是自然而不可避免的.邊緣計算利用人工智能的技術(shù)和方法可以更大規(guī)模地釋放其潛力，而人工智能借助邊緣計算的場景和平臺可以拓展更多的應(yīng)用和技術(shù)[5-7].

一方面，隨著物聯(lián)網(wǎng)和移動計算的普及，越來越多的數(shù)據(jù)并不像以往一樣生成和存儲在超大規(guī)模的數(shù)據(jù)中心中，而是分散地生成并存儲在大量的邊緣節(jié)點上.鑒于當(dāng)前人工智能技術(shù)還在極大程度上依賴大規(guī)模真實數(shù)據(jù)[73]，為了在邊緣網(wǎng)絡(luò)中有效使用人工智能技術(shù)進行數(shù)據(jù)的處理與分析，一種解決方案是將分散在網(wǎng)絡(luò)各處的數(shù)據(jù)重新收集到傳統(tǒng)的數(shù)據(jù)中心里，但是當(dāng)關(guān)注到性能、成本以及隱私問題的時候，這種方案的缺陷比較明顯[6].另外一種方案是在產(chǎn)生數(shù)據(jù)的本地運行人工智能程序，但是考慮到大量物聯(lián)網(wǎng)設(shè)備和終端設(shè)備都是輕量級的，其運算和存儲能力均十分有限，該方案目前的可行性較低.綜合來看，利用邊緣計算在邊緣服務(wù)器上運行人工智能應(yīng)用是一種相比而言更為可行的解決方案.舉例來說，邊緣計算有一個十分具有代表性的人工智能應(yīng)用是實時視頻分析[74].該應(yīng)用需要不斷從監(jiān)控攝像機中獲取高清視頻，且要求分析視頻同時滿足高計算量、高帶寬、低延遲以及高隱私性保護的要求，而邊緣計算正是能滿足這些要求的最合適的技術(shù).

另一方面，人工智能技術(shù)也能優(yōu)化邊緣計算的服務(wù).在邊緣計算中，一直在討論各種各樣的資源分配問題.如何優(yōu)化資源分配以提高系統(tǒng)效率是邊緣計算系統(tǒng)設(shè)計的目標(biāo)之一，而人工智能技術(shù)，包括統(tǒng)計方法、深度學(xué)習(xí)方法和強化學(xué)習(xí)方法在這個問題上都可以提供一定的幫助[75-77].

2.3.2 邊緣人工智能計算的概念與框架

許多研究者都給出了邊緣人工智能計算的定義.文獻[5]認(rèn)為邊緣人工智能計算即是在邊緣設(shè)備執(zhí)行人工智能的算法；文獻[6]則認(rèn)為這樣的定義縮小了邊緣人工智能計算的范圍，于是依據(jù)建模、模型訓(xùn)練、結(jié)果推導(dǎo)在云實現(xiàn)還是在邊緣實現(xiàn)將邊緣人工智能計算分為6 個等級；文獻[7]的劃分則相對簡單，將邊緣人工智能計算劃分為邊緣服務(wù)的人工智能(AI for edge)和在邊緣上的人工智能(AI on edge).

本文將邊緣人工智能計算定義為在邊緣網(wǎng)絡(luò)上多個分布式設(shè)備協(xié)同共建的人工智能.

1）本文并不考慮在使用專有硬件的單個邊緣設(shè)備上運行人工智能算法[78]的情況，因為這種情況與目前在大規(guī)模數(shù)據(jù)中心運行人工智能算法并沒有本質(zhì)上的區(qū)別.本文同意文獻[6]的觀點：邊緣人工智能計算中協(xié)同計算的多個設(shè)備絕不僅僅局限于邊緣終端設(shè)備，相反地，邊緣人工智能計算將充分利用終端設(shè)備、邊緣服務(wù)器和云數(shù)據(jù)中心中的可用數(shù)據(jù)和資源.2）本文認(rèn)為的多個邊緣設(shè)備協(xié)同計算共建人工智能，既可以是一個同樣的人工智能算法通過多個設(shè)備協(xié)同完成計算以保護數(shù)據(jù)隱私或提升效率，也可以是一個單個設(shè)備或一個小型設(shè)備集群.這樣的一個單個設(shè)備或小型設(shè)備集群可以被抽象成一個自主化的智能體，它擁有可消耗的知識，由自身利益的目標(biāo)驅(qū)動，為了實現(xiàn)群體目標(biāo)與其他智能體交互，如共享知識數(shù)據(jù)或聯(lián)合進行決策.這樣的相互連接和組織在網(wǎng)絡(luò)中的松散耦合的多個智能體也被稱為群體智能[79].

多個設(shè)備協(xié)同計算完成一個深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練的的優(yōu)勢在于：使用可用的空閑設(shè)備使小型邊緣設(shè)備集群，能夠運行更大的模型或加速推理過程.文獻[80]將神經(jīng)網(wǎng)絡(luò)的每一層都并行化以加速整個模型的計算.文獻[81]提出的協(xié)同感知網(wǎng)絡(luò)將一個深度神經(jīng)網(wǎng)絡(luò)模型整體進行劃分，并將劃分后的模型部分分配給多個邊緣設(shè)備來完成計算.目前，更多的框架設(shè)計會借用分布式深度神經(jīng)網(wǎng)絡(luò)的框架并對其進行修改以滿足邊緣網(wǎng)絡(luò)的特殊需求.常見的分布式深度神經(jīng)網(wǎng)絡(luò)框架有聯(lián)邦學(xué)習(xí)(federated learning, FL)[82]，它要求隨機客戶端從服務(wù)器下載可訓(xùn)練的模型，用自己的數(shù)據(jù)更新模型并將更新后的模型上傳到服務(wù)器，再由服務(wù)器聚合多個客戶端更新，這樣的過程將重復(fù)多次，直到服務(wù)器聚合后的人工智能模型收斂為止.將分布式深度神經(jīng)網(wǎng)絡(luò)框架應(yīng)用到邊緣計算場景遇到的挑戰(zhàn)是如何在資源受限的設(shè)備上提供足夠的計算能力.文獻[83]提供了一個解決思路，就是在邊緣設(shè)備中采用深度學(xué)習(xí)加速器(deep learning accelerator, DLA)，通過將關(guān)鍵計算操作實現(xiàn)為硬件連接邏輯來提升效率.文獻[84]提供的解決思路則是對參與本次訓(xùn)練的設(shè)備進行選擇，盡可能選擇更多的計算資源多且通信條件好的設(shè)備以滿足本次訓(xùn)練的需要.

2.3.3 邊緣人工智能計算的發(fā)展趨勢

安全與隱私問題是任何應(yīng)用和系統(tǒng)都會考慮的問題.邊緣人工智能計算的系統(tǒng)是在邊緣網(wǎng)絡(luò)上的一個分布式的系統(tǒng)，具有自主性、分散控制、成員數(shù)量多等復(fù)雜異構(gòu)特征，面臨著諸多潛在安全風(fēng)險[85].首先，如果不能保證參與者之間的安全通信，協(xié)作的任務(wù)就無法完成.其次，系統(tǒng)內(nèi)成員并不完全可信，它們可能懷有惡意或遭受到了攻擊，因此判斷其他成員傳輸?shù)男畔⒌目煽啃砸彩潜匾?

網(wǎng)絡(luò)性能是邊緣人工智能計算的影響因素之一.文獻[86]模擬移動設(shè)備和邊緣服務(wù)器運行經(jīng)典神經(jīng)網(wǎng)絡(luò)AlexNet 的測試結(jié)果，如圖3所示.該結(jié)果表明：相比于移動設(shè)備，邊緣服務(wù)器運行人工智能程序需要的時間更少，但是其運行時間對帶寬高度敏感，顯然受到了數(shù)據(jù)傳輸時間的影響.因此，考慮到現(xiàn)實網(wǎng)絡(luò)帶寬資源的稀缺性，邊緣人工智能計算的一個研究方向是優(yōu)化模型和框架以降低網(wǎng)絡(luò)對邊緣智能系統(tǒng)性能的影響.文獻[87]融合早期的卷積層并在多個設(shè)備中并行化這些層，從而降低了通信成本.文獻[78]則提出一種自適應(yīng)卷積網(wǎng)絡(luò)，能將卷積層劃分給相應(yīng)的設(shè)備進行并行計算，這是根據(jù)計算資源的可用性和網(wǎng)絡(luò)條件動態(tài)選擇的.

圖3 邊緣移動設(shè)備和邊緣服務(wù)器運行神經(jīng)網(wǎng)絡(luò)用時Figure 3 Time of edge mobile devices and edge servers running deep neural networks

3 面向邊緣人工智能計算的區(qū)塊鏈研究

3.1 當(dāng)前研究工作總結(jié)

表2簡單總結(jié)了面向邊緣人工智能計算的區(qū)塊鏈研究工作，接下來將分類進行詳細(xì)闡述.

3.1.1 基于區(qū)塊鏈的邊緣人工智能計算框架

在面向邊緣人工智能計算區(qū)塊鏈研究中，一個主要方向是引入?yún)^(qū)塊鏈來構(gòu)建邊緣人工智能計算框架，原因如下：1）邊緣人工智能計算中的節(jié)點本身及在相互通信的過程中都可能遭受網(wǎng)絡(luò)攻擊；2）參與邊緣智能的節(jié)點可能存在惡意行為或者缺乏足夠的激勵而為系統(tǒng)積極貢獻，引入?yún)^(qū)塊鏈則可以成為有效的解決方案之一.

文獻[88]討論了聯(lián)邦學(xué)習(xí)的安全問題，地理上分散的節(jié)點向集中的服務(wù)器發(fā)送更新參數(shù)時不僅容易受到網(wǎng)絡(luò)攻擊，而且存在著隱私泄露的問題.區(qū)塊鏈可以作為一種聯(lián)邦學(xué)習(xí)中交換學(xué)習(xí)模型參數(shù)的安全方法，節(jié)點可以將自己的參數(shù)上傳到區(qū)塊鏈，同時也可以從區(qū)塊鏈中獲取他人更新的參數(shù)結(jié)果.另外，區(qū)塊鏈還可以支持對任意時期的子模型審計.

文獻[89]指出：聯(lián)邦學(xué)習(xí)中負(fù)責(zé)模型初始化和聚合參數(shù)的主服務(wù)器存在單點故障問題，如果主服務(wù)器受到攻擊，那么其他參與節(jié)點將無法獲知全局模型，為此該文獻設(shè)計了一個基于區(qū)塊鏈網(wǎng)絡(luò)的聯(lián)邦學(xué)習(xí)架構(gòu)，提出了全局模型狀態(tài)樹的概念，以便將一個全局模型安全地存儲為一個Merkle-Patricia 樹并放入?yún)^(qū)塊鏈.

類似地，BlockFL[90]同樣認(rèn)為主服務(wù)器會受到單點故障的影響，因此他們關(guān)注的問題是如何在沒有任何中心協(xié)調(diào)之下聚合全局模型.BlockFL 將全局模型更新后放入每個設(shè)備本地并在區(qū)塊鏈網(wǎng)絡(luò)上傳其最終的更新結(jié)果，同時BlockFL 認(rèn)為在缺乏有效激勵措施的情況下有些設(shè)備可能有欺騙行為，即上傳假的模型更新結(jié)果.因此，它要求區(qū)塊鏈網(wǎng)絡(luò)在共識過程中驗證節(jié)點上傳的結(jié)果并給節(jié)點提供相應(yīng)的獎勵.

表2 面向邊緣人工智能計算的區(qū)塊鏈研究工作Table 2 Researches of blockchain in edge AI computing

文獻[91]同樣認(rèn)為聯(lián)邦學(xué)習(xí)中節(jié)點可能是惡意的或者缺乏參與系統(tǒng)的動機，于是提出了DeepChain 以便在數(shù)據(jù)保密性、計算可審核性、激勵各方參與協(xié)同訓(xùn)練三方面提供支持.具體來說，DeepChain 可以啟動事務(wù)，從而將來自不可信節(jié)點的子模型參數(shù)安全地聚合在一起.密碼學(xué)技術(shù)保障了協(xié)同訓(xùn)練過程中的數(shù)據(jù)保密性和可審核性，并用一種被稱作DeepCoin 的資產(chǎn)獎勵參與方對模型訓(xùn)練的貢獻以達到激勵效果.

除此之外，還有一些工作只是針對具體的應(yīng)用場景而不是提出一個通用的框架.文獻[96]給出了針對醫(yī)療大數(shù)據(jù)的體系結(jié)構(gòu)，其核心在于分布式數(shù)據(jù)管理、分布式數(shù)據(jù)共享和分布式計算分析.對于分布式數(shù)據(jù)管理和數(shù)據(jù)共享，該框架提出將區(qū)塊鏈智能合約技術(shù)和監(jiān)控節(jié)點用于建立安全私密的共享醫(yī)療記錄數(shù)據(jù)集.區(qū)塊鏈技術(shù)將有助于建立這樣一個大型核心初始數(shù)據(jù)集，并保障所有數(shù)據(jù)的透明度和完整性.監(jiān)控節(jié)點則用于監(jiān)視希望訪問數(shù)據(jù)集的所有相關(guān)智能合約事件以提供及時的響應(yīng).對于分布式計算分析，該框架則借鑒了聯(lián)邦學(xué)習(xí)和轉(zhuǎn)移學(xué)習(xí)的核心思想.

值得一提的是，基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)的性能與獨立的聯(lián)邦學(xué)習(xí)的性能幾乎相當(dāng)[106]，并沒有因為引入?yún)^(qū)塊鏈而對整體系統(tǒng)的性能造成顯著的影響.

3.1.2 基于區(qū)塊鏈的多智能體協(xié)作與決策增強

在邊緣人工智能計算中，多智能體達到有效協(xié)作的挑戰(zhàn)之一是設(shè)計恰當(dāng)?shù)娜蝿?wù)分配機制[107]，這需要考慮不同類型任務(wù)的定義和分配、智能體的異構(gòu)性等.鑒于中心式的任務(wù)分配機制會受單點故障的影響，文獻[97]提出了一種動態(tài)的基于市場的任務(wù)分配方法，由任務(wù)發(fā)布者向智能體提供任務(wù)，且發(fā)布者與智能體在整個任務(wù)分配與完成的動態(tài)過程中彼此共享信息.其中，發(fā)布者與智能體的通信、協(xié)調(diào)以及信息共享是基于聯(lián)盟鏈完成的.簡單地說，智能體可以通過區(qū)塊鏈控制器獲取執(zhí)行任務(wù)，并計算這些任務(wù)的報價.如果它決定執(zhí)行該任務(wù)便可以通過區(qū)塊鏈投標(biāo)并廣播給所有其他智能體，而其他投標(biāo)的智能體會檢查是否放棄并競標(biāo)下一個任務(wù)直至所有智能體都同意當(dāng)前分配方案.

在一個典型的邊緣人工智能計算場景中，多智能體協(xié)作決策的應(yīng)用案例是無人機自主集群.多架無人機分別從多個視點感知信息，同時需要就群體的目標(biāo)達成一致的決策，比如前方要走的路如何避開障礙，收集到的信息究竟是什么等等.當(dāng)前，如何在大量智能體之間進行分布式?jīng)Q策仍然是一個開放的問題，存在一些諸如決策速度與決策準(zhǔn)確性之間的兩難權(quán)衡問題[99,108].文獻[99]給出了一個簡單的如何使用區(qū)塊鏈技術(shù)輔助智能無人機集群的決策過程的例子.當(dāng)無人機集群需要商議一致的時候，一架無人機可以通過區(qū)塊鏈創(chuàng)建出一個特殊的事務(wù).這個事務(wù)包含了決策的不同選項所對應(yīng)的數(shù)字地址，當(dāng)該事務(wù)得到全網(wǎng)的節(jié)點確認(rèn)之后，其他集群成員可以對自己支持的選項進行投票，方式是向該選項對應(yīng)的數(shù)字地址轉(zhuǎn)賬代幣.舉例說明，一架無人機觀察到了一幅圖片，需要判斷圖片內(nèi)容是杯子還是親吻的人臉，于是創(chuàng)建一筆特殊事務(wù).事務(wù)中指明杯子對應(yīng)SK343 開頭的地址，親吻的人臉對應(yīng)S0631 開頭的地址，之后其他無人機做出判斷并向這兩個地址開頭的賬戶轉(zhuǎn)入代幣，經(jīng)過一段時間后無人機比較兩個賬戶的代幣數(shù)，發(fā)現(xiàn)SK343 開頭的地址收到的代幣較多，則做出圖片是無人機的決策.由于所有參與者都可以監(jiān)控整個投票過程，該群體決策是安全且可審核的.

3.1.3 基于區(qū)塊鏈的邊緣人工智能計算可信增強

在邊緣人工智能計算系統(tǒng)框架中，安全攻擊與安全威脅是該系統(tǒng)實際部署過程中必須考慮的問題.文獻[92]指出，在協(xié)作進行模型更新的過程中，移動設(shè)備可能面臨中毒攻擊(poisoning attack)或者信息泄漏攻擊(information leakage attack)，于是提出將模型更新信息存儲在區(qū)塊鏈中并在區(qū)塊鏈平臺進行聚合，同時利用拒絕負(fù)面影響(reject on negative impact, RONI)這一防御機制來刪除中毒的更新參數(shù).類似地，文獻[93]也使用區(qū)塊鏈存儲和驗證設(shè)備的本地子模型，進一步通過調(diào)整區(qū)塊生成速率來優(yōu)化端到端學(xué)習(xí)完成的延時.文獻[94]則指出了另外一個安全威脅，一個或多個拜占庭故障的設(shè)備足以讓當(dāng)前的聯(lián)邦學(xué)習(xí)機制面臨不可預(yù)測或災(zāi)難性的結(jié)果，因此采用區(qū)塊鏈技術(shù)建立安全的協(xié)同訓(xùn)練機制并識別和排除拜占庭成員.

邊緣人工智能計算面對的是多個異構(gòu)設(shè)備節(jié)點之間的相互協(xié)作，網(wǎng)絡(luò)中的單個節(jié)點很難決策如何選擇來自不同信息源的意見，因此設(shè)計一種衡量“可靠性”的機制是必要的.一種常見的衡量節(jié)點可靠性的機制是構(gòu)建信譽系統(tǒng)，即基于之前的行為構(gòu)建對未來行為的感知和期望.文獻[95]關(guān)注的是在聯(lián)邦學(xué)習(xí)框架中如何挑選可靠訓(xùn)練節(jié)點和激勵的問題，參與的節(jié)點有可能因為缺乏激勵而懈怠工作或者上傳偽造的模型更新參數(shù)，因此引入?yún)^(qū)塊鏈實現(xiàn)分布式的不可篡改的信譽管理，并依據(jù)信譽衡量設(shè)備可靠性和可信度以選擇可靠的高質(zhì)量的聯(lián)邦學(xué)習(xí)參與節(jié)點.邊緣服務(wù)器將成為主要的區(qū)塊鏈存儲節(jié)點和礦工，對于特定的移動設(shè)備，任務(wù)發(fā)布者將其直接信譽意見與來自其他任務(wù)發(fā)布者的聲譽意見整合在一起，為設(shè)備產(chǎn)生綜合信譽價值，并將信譽值作為之后挑選可靠的參與節(jié)點的重要指標(biāo).文獻[98]基于Hyperledger Fabric 設(shè)計了一種多個智能體的任務(wù)協(xié)作系統(tǒng)，智能體在區(qū)塊鏈發(fā)布自己可以提供的服務(wù)和選擇自己請求的服務(wù).由于受到不同利益的驅(qū)動，智能體可能會表現(xiàn)出惡意行為，可見對智能體進行信譽管理是必要的，因此該文獻提出使用另外一個并行的區(qū)塊鏈賬本來存儲與服務(wù)提供者和請求服務(wù)的智能體之間相關(guān)評估的信息，并使用智能合約進行信譽管理.

另外一些工作關(guān)注的是：在特定應(yīng)用場景部署邊緣人工智能計算時如何增強整個系統(tǒng)的安全性與可信性.

文獻[100]關(guān)注的是電動汽車邊緣計算網(wǎng)絡(luò)，該網(wǎng)絡(luò)中的電動汽車配備著多種智能應(yīng)用，同時電動汽車之間、電動汽車和基礎(chǔ)設(shè)施之間存在著大量信息和能源的交互.引入?yún)^(qū)塊鏈可以增強安全性和隱私性，一是因為區(qū)塊鏈可以追溯交互數(shù)據(jù)以避免交互數(shù)據(jù)可能被惡意利用或篡改，二是因為區(qū)塊鏈可以在保護隱私的前提下實現(xiàn)匿名數(shù)據(jù)傳輸和批量認(rèn)證.

文獻[101]關(guān)注的是物聯(lián)網(wǎng)中的智能物體(smart things).智能物體即物聯(lián)網(wǎng)中借助人工智能技術(shù)實時進行自我推斷和自我監(jiān)控的設(shè)備，這些設(shè)備需要協(xié)同工作以進行復(fù)雜的決策.為了確保智能物體之間的通信與決策的安全可靠，使通信避免網(wǎng)絡(luò)攻擊的影響，使決策不受惡意節(jié)點的影響，該文獻基于聯(lián)盟鏈的多鏈機制在多鏈上接收數(shù)據(jù)和存儲數(shù)據(jù)，并將數(shù)據(jù)分發(fā)給集群中的所有節(jié)點，使節(jié)點能夠?qū)崟r且安全地傳達決策的結(jié)果.

文獻[103]關(guān)注的則是金融數(shù)據(jù).邊緣智能在該網(wǎng)絡(luò)中的功能是進行實時數(shù)據(jù)監(jiān)測和動態(tài)數(shù)據(jù)分析，而區(qū)塊鏈的引入有兩個作用：一是區(qū)塊鏈能支持加密密鑰分發(fā)和網(wǎng)絡(luò)權(quán)限管理，二是區(qū)塊鏈存儲的借款等歷史信息有助于信用評估，提高了應(yīng)用的安全性.

文獻[104]則將目光聚焦于能源基礎(chǔ)設(shè)施建設(shè).人工智能使得在電網(wǎng)邊緣的自動化監(jiān)控和審計成為可能，而區(qū)塊鏈可以提供一種無密鑰簽名的基礎(chǔ)設(shè)施，有助于保護這些關(guān)鍵的能源數(shù)據(jù).分布式數(shù)字賬本和對交易數(shù)據(jù)進行密碼學(xué)簽名可以保障能源交易數(shù)據(jù)的完整性，另外采用智能合約的數(shù)據(jù)交換平臺也可以在電力生產(chǎn)價值鏈中實現(xiàn)合約的自動交易和結(jié)算.

針對提升系統(tǒng)中各種實體之間的信任水平，文獻[109]提出了一個基于區(qū)塊鏈的智能契約和專門設(shè)計的智能預(yù)言機（smart oracles）的信任管理架構(gòu).該架構(gòu)在以太坊上實現(xiàn)，并基于攝像機信任管理、可信數(shù)據(jù)流和基于QoS 的計算節(jié)點選擇這3個場景，展示了在實體、服務(wù)之間建立信任關(guān)系的優(yōu)勢.從本質(zhì)上來說，區(qū)塊鏈消除了信任第3 方的必要性，為交互提供了透明度和可跟蹤性，而智能預(yù)言器的使用減少了在區(qū)塊鏈上進行代價高昂的交易的必要性.

3.1.4 基于區(qū)塊鏈的邊緣人工智能信息共享

關(guān)于在邊緣計算場景中多個節(jié)點協(xié)同訓(xùn)練人工智能模型，現(xiàn)有的工作通常只專注于如何依據(jù)大量的數(shù)據(jù)信息更好地訓(xùn)練模型，而沒有將數(shù)據(jù)信息的產(chǎn)生、匯集與之后的交換納入考慮的范圍[102,105].

文獻[102]提出：物聯(lián)網(wǎng)中自私的異構(gòu)的邊緣智能設(shè)備會產(chǎn)生孤立的、分布式的知識片，而物聯(lián)網(wǎng)智能應(yīng)用完成復(fù)雜的任務(wù)卻需要知識的協(xié)作與交換.一個有效激勵邊緣智能設(shè)備共享知識信息的辦法是實現(xiàn)知識的付費共享，因此該文提出了一個基于聯(lián)盟鏈構(gòu)建的市場，可以提供安全而有效的知識管理和交易.該聯(lián)盟鏈的設(shè)計包括一個加密貨幣、智能合約和一個新的共識機制交易證明（proof of transaction, PoT）.文獻[105]關(guān)注的則是在智慧城市中實現(xiàn)基于物聯(lián)網(wǎng)的可持續(xù)共享經(jīng)濟.大量的物聯(lián)網(wǎng)數(shù)據(jù)在邊緣節(jié)點被生成和處理，人工智能會處理并提取其中重要的事件信息，生成語義數(shù)字分析后將結(jié)果保存在區(qū)塊鏈中.區(qū)塊鏈則提供一系列共享經(jīng)濟服務(wù)，包括將哪些數(shù)據(jù)交給人工智能分析及其分析得出的重要信息的交易，從而使得有價值的互聯(lián)網(wǎng)信息得到充分的利用.

3.2 區(qū)塊鏈為邊緣人工智能計算帶來的好處

就現(xiàn)有的研究成果而言，本文認(rèn)為區(qū)塊鏈可以有效加速邊緣人工智能計算的落地.1）以區(qū)塊鏈作為底層支撐的邊緣人工智能計算架構(gòu)更適合于邊緣計算情況下的人工智能場景；2）區(qū)塊鏈可以有效提升邊緣人工智能計算系統(tǒng)中數(shù)據(jù)管理、存儲和傳輸?shù)陌踩裕?）為了促進邊緣人工智能計算的發(fā)展，人工智能的核心——信息與數(shù)據(jù)是不可或缺的，而區(qū)塊鏈可以有效激勵邊緣智能場景中信息與數(shù)據(jù)的共享與交換.另外，也有研究指出區(qū)塊鏈可以提升對人工智能模型的信任并有利于優(yōu)化人工智能的模型.

3.2.1 區(qū)塊鏈可增強邊緣人工智能計算框架的健壯性

邊緣人工智能計算不再是基于云上的數(shù)據(jù)中心進行人工智能應(yīng)用的處理，而是保持?jǐn)?shù)據(jù)在設(shè)備本地，同時將人工智能的部分工作轉(zhuǎn)移到設(shè)備上，此時邊緣人工智能計算所面對的是大量異構(gòu)的計算資源和大量存在著掉線或被劫持的可能性的節(jié)點[110].因此，傳統(tǒng)的適用于云的中心化人工智能的框架并不適合直接套用，而以區(qū)塊鏈作為支撐的新型架構(gòu)開始得到探討，比如一種基于區(qū)塊鏈的聯(lián)邦學(xué)習(xí)結(jié)構(gòu).在該結(jié)構(gòu)中，各節(jié)點利用本地數(shù)據(jù)分散訓(xùn)練，依照區(qū)塊鏈的共識機制分散地進行數(shù)據(jù)交換和子模型更新的驗證，而無需任何集中的數(shù)據(jù)訓(xùn)練或協(xié)

調(diào)[90,111].

3.2.2 區(qū)塊鏈可增強邊緣人工智能計算數(shù)據(jù)管理、存儲和傳輸?shù)目煽啃?/p>

首先，邊緣人工智能計算場景的網(wǎng)絡(luò)是典型的點對點網(wǎng)絡(luò)，諸如多跳連接、缺少中心、缺乏明確防御機制等問題都使這個網(wǎng)絡(luò)不夠穩(wěn)定.許多常見網(wǎng)絡(luò)攻擊，包括重放攻擊、拒絕服務(wù)攻擊（denial of service, DoS）、竊聽、蟲洞攻擊、偽裝攻擊等都可能對這個網(wǎng)絡(luò)造成災(zāi)難性的后果[112-113].其次，對于邊緣人工智能計算場景來說，信息是非常重要的[114].由于大量由邊緣設(shè)備產(chǎn)生的信息可能是帶有隱私的敏感信息，防止用戶的隱私在邊緣人工智能計算的操作中泄露是必須考慮的設(shè)計目標(biāo)，同時一些偽裝或劫持攻擊會導(dǎo)致虛假信息的傳播，影響邊緣人工智能計算應(yīng)用的效果[111].為了增強邊緣人工智能計算場景中數(shù)據(jù)存儲、傳輸和管理的安全性，區(qū)塊鏈可以被當(dāng)成一種潛在的解決方案[115-116]，能夠利用多種加密算法在保障隱私的情況下建立多方之間的協(xié)作關(guān)系.在區(qū)塊鏈中添加新塊需要經(jīng)過共識機制確認(rèn)，任何塊都記錄并存儲一個與前一個塊相連接的數(shù)據(jù)，并且只有當(dāng)相應(yīng)的消息通過大多數(shù)參與者的驗證時，才會將一個新塊附加到分類賬上.這樣特殊的機制設(shè)計保障了在單點故障下很好的健壯性，并避免了數(shù)據(jù)的惡意篡改.

3.2.3 區(qū)塊鏈可激勵邊緣人工智能計算中信息共享與交易

在典型的邊緣計算場景（如物聯(lián)網(wǎng)場景）中，大量異構(gòu)的設(shè)備分散地產(chǎn)生孤立的信息，而復(fù)雜人工智能應(yīng)用任務(wù)的完成需要信息的交換與協(xié)作，因而如何促進網(wǎng)絡(luò)中眾多“自私”的節(jié)點分享、交換與協(xié)作是要考慮的問題[102,105].區(qū)塊鏈可以成為促進邊緣人工智能計算場景信息共享與交換的一種有效解決方案.首先，區(qū)塊鏈天然的點對點的網(wǎng)絡(luò)架構(gòu)符合邊緣智能場景下大量分散孤立節(jié)點的要求；其次，區(qū)塊鏈的加密貨幣可以成為一種促進各節(jié)點信息共享的有效激勵手段[111]，區(qū)塊鏈的智能合約有助于構(gòu)建信息相互分享交易的市場.更重要的是，依托區(qū)塊鏈技術(shù)建立起的信息共享交換市場是安全可靠的，每一筆交易都可以經(jīng)過共識機制的驗證，也可以有效防止篡改和雙重支付問題.

3.2.4 區(qū)塊鏈可以提升人工智能決策的可信任性

人工智能受到大眾質(zhì)疑的一點是它就像一個黑匣子[117]，其結(jié)果難以從理論上解釋，而區(qū)塊鏈正是以點對點分散場景中安全準(zhǔn)確無篡改的記錄交易而聞名.以區(qū)塊鏈記錄人工智能的中間結(jié)果和決策過程能夠增加其透明度，有利于公眾接受和信任決策，也便于相關(guān)人員的審計[9,99].同時，在邊緣人工智能計算這種可能涉及多方智能共同決策的場景中，區(qū)塊鏈也可以幫助它們在不需要第3 方審核的情況下以分布式的方法實現(xiàn)統(tǒng)一的意見[118].

另外，雖然還沒有成為學(xué)界廣泛的共識，但已有研究著眼于利用區(qū)塊鏈改進并提出更好的人工智能模型.文獻[119]提出了一種基于區(qū)塊鏈思想的邊緣智能算法，試圖利用區(qū)塊鏈和交易的思想在神經(jīng)網(wǎng)絡(luò)中更快速且更智能地尋找合適的模型權(quán)重.在他們的構(gòu)想中，一個交易是一個特定的需求，之后全網(wǎng)的“礦工”們都會訓(xùn)練出合適的模型并提交申請，同時執(zhí)行此任務(wù)的“礦工”們會比較結(jié)果并將最好的結(jié)果寫入塊，使該交易成為一個完成的任務(wù).

4 未來研究方向

之前的章節(jié)已經(jīng)綜述了目前面向邊緣人工智能計算的區(qū)塊鏈研究方向.經(jīng)相關(guān)論文總結(jié)，本文認(rèn)為未來將有以下4 個研究方向.

4.1 區(qū)塊鏈性能改進：提升面向資源受限計算環(huán)境的擴展性

盡管本文已經(jīng)探討了將區(qū)塊鏈技術(shù)引入邊緣人工智能計算的諸多優(yōu)勢，但是與區(qū)塊鏈本身相關(guān)的許多技術(shù)挑戰(zhàn)還需要進一步研究.這些問題本身可能不會對基于區(qū)塊鏈技術(shù)的邊緣人工智能計算的解決方案的發(fā)展產(chǎn)生直接影響，但是會在一定程度上限制這些解決方案的實際應(yīng)用.與區(qū)塊鏈本身相關(guān)的技術(shù)挑戰(zhàn)大多聚焦于區(qū)塊鏈的性能問題，尤其是事務(wù)吞吐量、交易確認(rèn)時延、區(qū)塊容量等問題.比特幣區(qū)塊鏈目前每秒處理的事務(wù)大約是7 筆，一筆事務(wù)的確認(rèn)大約需要10 min[27]，這樣的性能無法滿足邊緣人工智能計算中很多協(xié)調(diào)和共同決策場景的需求.以無人機集群為例，無人機之間應(yīng)快速地提供可靠信息并達成共識以協(xié)調(diào)整個群體的運動，10 min 的時間足以使無人機撞上障礙，因此未來區(qū)塊鏈應(yīng)該探索針對邊緣人工智能計算的性能改進.目前，以太坊的區(qū)塊大小是444.06 GB[28]，且隨著事務(wù)數(shù)量的增長該賬本大小也會隨之增長.然而，對于硬件能力十分有限的邊緣設(shè)備來說，它們很難在本地保存完整的區(qū)塊鏈賬本，因此未來應(yīng)該探索對資源有限設(shè)備更加友好的區(qū)塊鏈.

4.2 區(qū)塊鏈應(yīng)用：構(gòu)建跨域/泛中心網(wǎng)絡(luò)中的分布式信任

在邊緣智能計算的場景中，存在著更多設(shè)備與設(shè)備之間的合作.比如：多個擁有本地數(shù)據(jù)的設(shè)備共同收斂全局人工智能模型；在智慧交通中，多個車輛共同協(xié)助反饋交通信息；多智能體之間聯(lián)合進行決策等.合作的基礎(chǔ)是合作方之間存在信任，即對方提供的信息、做出的決策是真實可靠的.現(xiàn)有的信任構(gòu)建方式主要包括兩種：一種是基于身份管理和訪問控制的方式，一般是在一個域內(nèi)設(shè)立一個中心管理機構(gòu)來管理身份或以分布式的形式驗證身份，如果身份被驗證為可靠，則其受允許的行為便值得信任，但是如何進行身份的相互驗證是一個難點.另一種是基于信譽反饋的方式，即相關(guān)方給出有關(guān)信任的評價，綜合得出關(guān)于某節(jié)點值得信任的程度，但是相關(guān)評價是否可靠又成為了一個問題.區(qū)塊鏈以其不可篡改性保證記錄數(shù)據(jù)的真實性，以其可追溯性和共識機制有助于確認(rèn)記錄數(shù)據(jù)的可靠性，因而可以在跨域/開放網(wǎng)絡(luò)中更好地構(gòu)建信任，但這一方面研究的難點在于：如何通過模擬實驗來驗證所提方案的有效性，如何設(shè)定信任的衡量方式，以及如何模擬部分節(jié)點不同程度的“不可信”情況.

4.3 區(qū)塊鏈應(yīng)用：群智計算與數(shù)據(jù)隱私的權(quán)衡

在系統(tǒng)設(shè)計中，保護安全與隱私的目標(biāo)并不是一個新話題，而區(qū)塊鏈具有匿名性、分散性、安全性等關(guān)鍵特性，因而被認(rèn)為能夠方便、高效、可靠、安全地應(yīng)對系統(tǒng)中的安全和隱私問題.使用區(qū)塊鏈提升系統(tǒng)的隱私和安全性往往伴隨著相關(guān)的密碼學(xué)算法的使用與設(shè)計，比如一種常見的用于保護隱私的密碼學(xué)手段是零知識證明.但是，這些密碼學(xué)中的算法還需要進一步設(shè)計與研究，比如交互式的零知識通信協(xié)議過于復(fù)雜，以致容易受到惡意軟件的攻擊；若采用非交互式簡潔零知識證明技術(shù)(zero knowledge succinct non-interactive argument of knowledge, zk-SNARK)，如Zcash[120]，其證明過程需要大量的內(nèi)存，這意味著在受限設(shè)備上很難使用.

5 結(jié) 語

本文調(diào)研并回顧了目前較新的有關(guān)邊緣人工智能計算的區(qū)塊鏈研究.首先概述了區(qū)塊鏈的概念和區(qū)塊鏈的研究方向，同時介紹了邊緣人工智能計算的發(fā)展趨勢，總結(jié)了邊緣人工智能計算的概念、框架與發(fā)展需求；然后從基于區(qū)塊鏈的邊緣人工智能計算框架、基于區(qū)塊鏈的多智能體協(xié)作與決策增強、基于區(qū)塊鏈的邊緣人工智能計算安全性和可信性增強，以及基于區(qū)塊鏈的邊緣人工智能計算信息共享等方面對面向邊緣人工智能計算的區(qū)塊鏈研究進行了詳細(xì)的介紹，總結(jié)并討論了為邊緣人工智能計算引入?yún)^(qū)塊鏈的各種優(yōu)勢.文獻綜述表明：在邊緣人工智能計算中引入?yún)^(qū)塊鏈的研究還處于起步階段，未來仍需針對邊緣人工智能計算場景的需求和目標(biāo)對區(qū)塊鏈自身加以改進，還應(yīng)更多地探索結(jié)合邊緣人工智能計算與區(qū)塊鏈的優(yōu)勢.