《Sustainable Computing: Informatics and Systems》：Adaptive Blockchain Block Storage Delegation in IoT Edge Networks: An Energy-Aware Machine Learning Framework for Sustainable Edge Computing
编辑推荐：
物联网设备在网络边缘呈指数级增长，催生了对智能、节能且安全的数据管理基础设施的迫切需求。区块链技术已成为确保去中心化物联网部署中数据完整性和可审计性的有力解决方案。然而，将区块链与资源受限的边缘节点集成带来了操作挑战：边缘矿工经常耗尽本地存储容量，因此需要将区
物联网设备在网络边缘呈指数级增长，催生了对智能、节能且安全的数据管理基础设施的迫切需求。区块链技术已成为确保去中心化物联网部署中数据完整性和可审计性的有力解决方案。然而，将区块链与资源受限的边缘节点集成带来了操作挑战：边缘矿工经常耗尽本地存储容量，因此需要将区块存储职责动态委派给外围物联网设备。依赖静态阈值策略或随机选择的现有策略未能考虑设备异构性、时间存储动态性和能量开销。本文提出BEADS（区块链边缘感知委派系统），一种用于智能区块存储委派的新型能量感知机器学习框架。BEADS将五种分类模型（包括所提出的能量感知特征门控神经网络（EA-FGNN））集成到基于Solidity的智能合约委派流水线中，并在链上强制执行。核心发现是梯度提升决策树（而非深度模型）在该任务中达到帕累托最优：LightGBM提供了最佳的能量-延迟权衡，在物理ARM Cortex-M4硬件上（使用Nordic PPK2功率监测器验证）每次推理仅消耗0.38 μJ ± 0.04 μJ —— 相比神经EA-FGNN实现了4.7倍的能量降低，而代价仅为0.005的加权F1分数。在五折分层交叉验证下，EA-FGNN达到了最高准确率（加权F1为0.962 ± 0.004；ROC-AUC为0.973 ± 0.003），确立了LightGBM效率基准对照的准确率上限。在本地模拟器和公共测试网上对智能合约的评估确认了平均气体成本为52,400 gas单位。在模拟的一万个节点部署中，BEADS将存储溢出事件减少了82.9%（每1,000次委派尝试中37次事件，而随机选择为217次），并为每次防止的假阳性写入节省了27.1 mJ的写入能量。这些结果使BEADS成为大规模物联网边缘基础设施中能量感知区块链集成的可部署参考框架。
**论文解读文章**
**研究背景与问题**
物联网（IoT）生态系统的快速扩张预计到2027年将超过290亿台连接设备，每年产生超过79.4泽字节数据，覆盖智慧城市、工业自动化、精准农业、医疗遥测和车载通信网络等多样领域。在AI驱动的边缘-雾-云连续体物联网系统中，数据完整性、抗篡改性和操作可审计性变得至关重要。区块链技术因其去中心化、不可篡改和密码学可审计性而成为满足这些需求的有力范式，已在供应链溯源、智能电网计量、医疗设备遥测和工业物联网安全等领域实现集成。然而，物联网边缘设备（如ARM Cortex-M4微控制器，仅提供128 KB至1 MB闪存）在持续参与区块链时会迅速耗尽本地存储容量，需要动态选择外围节点暂存区块数据（称为区块存储委派）。现有策略多采用静态阈值或随机选择，无法利用节点状态的多变量时变特征（如任务关键性评分、稳定性评分、预测存储增长和区块链负载），导致委派决策次优、写操作冗余和节点存储溢出风险升高。实际部署场景包括工业智能电网遥测（如施耐德电气SCADAPack边缘网关）和车载区块链遥测（5G网络切片支付通道），这些场景对子秒级决策和能量效率有严格需求。因此，研究人员提出BEADS框架，旨在通过能量感知机器学习实现智能区块存储委派，兼顾准确率、能量消耗、设备关键性和区块链完整性。
**研究方法与结论**
研究人员提出BEADS（区块链边缘感知委派系统）端到端流水线，将数据预处理、多模型分类与能量感知评分以及基于Solidity的智能合约强制执行相结合。研究在合成数据集（30,000样本，11属性，10特征+1二值目标，类别不平衡比1.09:1，来源为IEEE DataPort）上进行五折分层交叉验证评估。主要结论包括：梯度提升决策树（LightGBM）在该任务中达到帕累托最优——在物理ARM Cortex-M4硬件上（使用Nordic PPK2功率监测器验证）每次推理仅消耗0.38 μJ ± 0.04 μJ，相比所提出的EA-FGNN（能量感知特征门控神经网络）实现4.7倍能量降低，代价仅为0.005的加权F1分数降低；EA-FGNN达到最高准确率（加权F1 0.962 ± 0.004，ROC-AUC 0.973 ± 0.003），建立了准确率上限；智能合约在本地模拟器和公共测试网上的平均气体成本为52,400 gas单位；在模拟一万个节点部署中，BEADS将存储溢出事件减少82.9%（每1,000次委派尝试中37次，随机选择为217次），并为每次防止的假阳性写入节省27.1 mJ能量。这些结果表明BEADS可作为大规模物联网边缘基础设施中能量感知区块链集成的可部署参考框架。论文发表在《Sustainable Computing: Informatics and Systems》。
**主要关键技术方法概述（不超过250字）**
BEADS框架采用四阶段流水线：(i) 数据摄取与无状态预处理（包括MinMax归一化、独热编码、标签编码）；(ii) 多模型分类与能量感知评分：集成五种分类模型，核心是所提出的EA-FGNN，其具有可微分的特征级通道门控机制和基于FLOPs（浮点运算次数）的加权能量惩罚损失函数；另包括LightGBM、XGBoost、逻辑回归、决策树、随机森林、多层感知器和线性支持向量机作为基线；(iii) 智能合约调用与硬约束强制执行：基于Solidity的合约在以太坊虚拟机（EVM）上运行，接受委派决策并检查节点存储容量、关键性阈值等约束；(iv) 结果日志与模型反馈用于周期性重训练。所有模型均在合成数据集（30,000样本，11属性）上训练和评估，该数据集由研究人员从物联网设备监控系统中捕获的真实特征分布生成，模拟了异构设备群体。
**研究结果**（保留每个小标题）
- **分类性能**：在五折交叉验证下，EA-FGNN达到最高加权F1（0.962 ± 0.004）和ROC-AUC（0.973 ± 0.003），显著优于七个基线（Bonferroni校正后p < 0.0071）。LightGBM性能最接近（F1 = 0.957 ± 0.005），差异效应量大（Cohen's d = 1.24）但未达校正显著性。决策树模型表现最差（F1 = 0.852 ± 0.006）。EA-FGNN在精确率、召回率和特异性上均优于所有基线，证明其特征门控机制在异构物联网节点分类中的有效性。
- **能量分析**：在物理STM32F4开发板（ARM Cortex-M4）上使用EEMBC MLPerf Tiny v1.1测量协议进行硬件验证。LightGBM每次推理消耗0.38 μJ ± 0.04 μJ，仅为EA-FGNN的4.7倍能量降低（EA-FGNN为1.79 μJ ± 0.11 μJ）。LightGBM在能量-延迟权衡中达到帕累托最优，同时保持接近最优的准确率。随机森林和XGBoost能量消耗分别为1.22 μJ和0.91 μJ。逻辑回归和决策树能量最低但准确率不足。
- **智能合约评估**：基于Solidity的合约在本地Ganache模拟器和Sepolia公共测试网上部署。平均气体成本为52,400 gas单位（标准差1,200 gas），在公共测试网上确认交易时间约12-15秒。合约执行包括节点验证、委派决策写入和事件日志记录，开销稳定。
- **模拟部署分析**：模拟10,000个异构节点的存储委派场景。BEADS（使用LightGBM）将存储溢出事件从随机选择的217次/1,000次委派降低至37次/1,000次（减少82.9%）。每次防止的假阳性写入节省27.1 mJ写入能量。与随机选择相比，BEADS显著减少了不必要的写操作和溢出风险。
**讨论与结论**
讨论部分指出了三个局限性：(i) 缺少生产级确定性基线（如人工调优的阈值级联）作为对照；(ii) 核心委派场景的合理性——假设边缘矿工耗尽闪存且必须委派，但实际中可能更早触发委派；(iii) 能量分析未覆盖智能合约执行的能量成本（因为合约在云端运行，对边缘能量影响有限）。未来工作包括扩展到动态实时数据集、增加以太坊票据（ERC-721）追踪委派历史、以及优化合约气体使用。
研究结论部分翻译如下：
本文提出了BEADS，将监督机器学习与链上智能合约强制执行相结合，以解决物联网边缘区块链存储溢出挑战。所提出的EA-FGNN在五折交叉验证下达到加权F1 = 0.962 ± 0.004和ROC-AUC = 0.973 ± 0.003，显著优于七个基线。学习曲线分析确认无过拟合，经验门控权重分析确认特征级通道门控机制有效。LightGBM尽管准确率略低，但能量效率最优，成为资源受限部署的首选。模拟一万节点部署显示82.9%的溢出事件减少。研究结果为能量受限物联网环境中区块链-边缘集成的实际部署提供了可行性依据和参考框架。
