《Digital Communications and Networks》:GAIA-chain: generative-AI and blockchain for autonomous task execution and resource allocation in UAV-assisted IoV
编辑推荐:
随着超5G(B5G)和6G网络的出现,车联网(IoV)已成为智能交通系统(ITS)的关键组成部分,对支持自动驾驶、协同感知和实时车辆服务至关重要。然而,由于车辆移动性、任务依赖性和无人机(UAV)的资源约束,实现低时延、高能效和可靠的任务协调仍具挑战性。当前的
随着超5G(B5G)和6G网络的出现,车联网(IoV)已成为智能交通系统(ITS)的关键组成部分,对支持自动驾驶、协同感知和实时车辆服务至关重要。然而,由于车辆移动性、任务依赖性和无人机(UAV)的资源约束,实现低时延、高能效和可靠的任务协调仍具挑战性。当前的强化学习方法仍处于反应式模式,缺乏可扩展性,并且易受对抗性攻击。为应对这些局限性,研究人员提出了一种新颖的生成式AI与区块链集成的车联网自主框架(GAIA-Chain),这是一种用于UAV辅助IoV中自主任务分配的综合框架。GAIA-Chain结合了自动生成有向无环图(DAGs)的生成式任务编排器(GTO)、用于可扩展UAV调度的分层图均值场多智能体强化学习(HGMF-MARL)、用于实时资源分配的生成式资源分配器(GRA)、用于安全模型聚合的区块链锚定联邦学习(FL-on-Chain)、预测性生成缓存,以及具有约束验证和风险感知优化的安全与自主层。大量仿真结果表明,GAIA-Chain在满足服务水平协议(SLA)要求并确保系统透明性和区块链拜占庭鲁棒性的同时,显著降低了执行时延和能耗。最终,通过协同生成式人工智能(GAI)、分层多智能体学习和基于区块链的信任机制,GAIA-Chain建立了一种可扩展、安全且主动的范式,以实现下一代UAV辅助IoV。
随着超5G(B5G)和6G网络的发展,车联网(IoV)成为智能交通系统(ITS)的核心组成部分,支撑自动驾驶、协同感知和实时车辆服务。无人机(UAV)凭借灵活部署和视距(LoS)链路被广泛用作移动边缘计算(MEC)节点。然而,车辆移动性、任务依赖性和UAV资源约束使低时延、低能耗和可靠任务协调面临显著挑战。现有强化学习(RL)方法多为反应式,缺乏依赖感知的主动调度,难以扩展到多UAV场景,且协作学习缺乏可验证性与信任机制。为弥补这些不足,研究人员提出了GAIA-Chain,一个集成生成式任务编排、分层多智能体强化学习、生成式资源分配、区块链锚定联邦学习、预测性生成缓存及安全自主层的统一框架。仿真结果表明,GAIA-Chain显著降低了任务分配时延和能耗,提高了缓存命中率,将SLA违例率保持在5%以下,并实现了区块链可审计性和拜占庭鲁棒性,为下一代UAV辅助IoV提供了可扩展、安全、主动的范式。
研究人员采用离散时间仿真器(无真实样本队列),在1000m×1000m城市区域设置2–4个热点、每热点20–70辆车、5–10架UAV,任务到达服从泊松过程。关键技术方法包括:生成式任务编排器(GTO)通过世界模型规划自动生成依赖感知的有向无环图(DAG);分层图均值场多智能体强化学习(HGMF-MARL)利用图消息传递和均值场近似实现大规模UAV调度;生成式资源分配器(GRA)基于Transformer扩散策略实时生成CPU、功率和缓存分配;区块链锚定联邦学习(FL-on-Chain)采用PBFT/HotStuff共识和鲁棒聚合抵御拜占庭攻击;预测性生成缓存利用Transformer预测内容流行度;安全与自主层通过线性时序逻辑(LTL)、控制屏障函数(CBF)和条件风险价值(CVaR)保障运行安全。仿真使用7个验证节点的许可区块链,对比QL、DDPG、TD3、PPO、SAC等基线。
比较结果(Comparative results):
- 任务分配时延(Task assignment delay):GAIA-Chain时延最低,比MADDPG低约20%,比DDPG/TD3低约28%,比Q-Learning和Dueling DQN低45%以上。
- 能耗(Energy consumption):GAIA-Chain比基线方法低15%–25%,得益于预测性缓存和均值场MARL均衡负载。
- 缓存命中率(Cache hit rate):在较大内容目录下达到75%–85%,而静态或反应式基线仅50%–65%。
- 卸载成本(Offloading cost):在所有权重配置下,GAIA-Chain的卸载成本均最低。
- SLA违例率(SLA violation rate):GAIA-Chain保持在5%以下,远低于MADDPG(12%–18%)、PPO(15%–20%)和Q-Learning(>25%)。
- 区块链可审计性(Blockchain auditability):GAIA-Chain达到78%的可审计性,所有资源分配、缓存操作和模型更新均经哈希上链验证。
- 拜占庭鲁棒性(Byzantine robustness):面对对抗性FL更新,基线精度下降15%–20%,GAIA-Chain通过中位数、截尾均值等鲁棒聚合将精度损失限制在3%以内。
消融研究(Ablation studies):
- 无GTO:采用静态DAG时,平均任务时延增加约22%,高车辆密度下SLA违例率急剧上升。
- 无GRA:仅由HGMF-MARL进行