Decentralized Frameworks for Privacy-Preserving Industrial IoT Based on Blockchain Edge Intelligence System

Abstract

에지 인텔리전스 시스템(EIS)은 인공지능(AI)과 에지 컴퓨팅 기술(ECT)을 활용하여 네트워크 에지에서 지능적인 의사 결정을 가능하게 하는 아이디어이다. AI는 의사결정에 필요한 시간 경감과 고성능의 스마트 클라우드 서비스를 제공하며, ECT는 로컬 리소스가 중앙 서버나 데이터 센터에 의존하지 않고 네트워크의 가장자리에서 계산 처리 및 데이터 스토리지를 수행하기 위한 안정적인 스토리지 및 계산 기능을 제공한다. 따라서, EIS는 미래의 산업 사물 인터넷(IIoT) 애플리케이션 구축에 도움이 되는 잠재적인 접근 방식을 제시한다. 그러나 현재 EIS는 중앙 집계 서버가 전체 시스템 조정을 처리하기 때문에 단일 장애 지점(SPOF) 등과 같은 여러가지 취약점을 갖고 있다. 따라서 본 논문은 다른 프라이버시 관련 기술과 결합된 블록체인 기반의 안전한 EIS를 형성하기 위한 해결책으로 분산형 접근법에서의 프라이버시 컨셉을 제안한다. 블록체인을 활용하면 신뢰할 수 있는 분산형 데이터 관리 시스템을 구축할 수 있다. 여기서 각 장치는 동일한 데이터의 복사본을 유지 관리하므로 데이터 손실이나 변조가 발생하더라도 유연한 프로세스 대처가 가능하다. 그리고 블록체인 기반 스마트 계약을 적용하여 사용자가 데이터 공유 활동에 긍정적으로 참여하도록 장려하는 적절한 인센티브 메커니즘을 제공할 수 있다. 또한, 우리는 EIS를 보조하는 장치로써 연합 학습(FL)을 사용하며, 이는 사용자의 장치에 저장된 로컬 데이터를 유지함과 동시에 학습 데이터를 노출하지 않고 분산 모바일 장치 간의 협업 모델 학습 접근 방식을 허용함으로써 사용자의 개인 정보를 유지하는 것이 가능하다. 이때, 훈련된 모델을 업로드하는 동안 다양한 공격으로부터 사용자의 개인 데이터 또는 민감 데이터 보호를 위해 데이터 공유 트랜잭션에 노이즈를 추가하여 기밀성을 강화시키는 개인 정보 보호 기술인 차등 개인 정보 보호(DP)를 제안한다. 또한 분산 에지 클러스터 접근 방식을 구성하여 클라이언트 사이에서 나타나는 이질적인 데이터 분포를 처리하기 위해 블록체인 기반 개인화된 FL(BPFL) 개념을 도입한다. 시뮬레이션 결과는 우리의 프레임워크가 EIS 개인 정보 보호에 대한 몇 가지 이점을 제공하고 있으며 시스템 성능이 개선되어 설계 목표를 충족한다는 것을 보여준다.|Edge Intelligence System (EIS) is an idea that takes advantage of Artificial Intelligence (AI) and Edge Computing Technology (ECT) to enable intelligent decision-making at the edge network. In particular, AI can reduce decision-making delays and provide smart cloud services with high performance. Meanwhile, ECT offers reliable storage and computation, where local resources are placed at the edge of a network that performs computational processing and data storage rather than relying on a central server or data center. Thus, EIS serves as a potential approach to enforcing future Industrial Internet of Things (IIoT) applications. However, the current centralized EIS poses several challenges in its implementation and is susceptible to a range of potential attacks due to its architectural characteristics, which include a Single Point of Failure (SPoF). In this sense, the central aggregator server is responsible for managing the entire system orchestration, rendering it vulnerable to numerous attacks. In order to address the above problem, this thesis proposes privacy awareness in decentralized approaches as plausible solutions to form a secure EIS based on blockchain combined with other privacy-concerned technologies. Specifically, blockchain can be leveraged to establish decentralized and trusted data management where each device maintains a copy of the same data, making the process more resilient to data loss or tampering. Furthermore, blockchain-based smart contracts can provide appropriate incentive mechanisms to encourage users to participate positively in data-sharing activities. Additionally, we also employ Federated Learning (FL) approach to support EIS in improving system performance while preserving user privacy. This is done by storing local data on the user's devices and allowing a collaborative model training approach among distributed mobile devices without exposing the training data. Next, to protect the user's private or sensitive data when uploading trained models, we propose Differential Privacy (DP) as the privacy-preservation technique that adds noise to strengthen the confidentiality of data-sharing transactions from various attacks. Lastly, we introduce the Blockchain-based Personalized FL (BPFL) concept to address the highly heterogeneous data distribution among clients by forming a distributed edge cluster approach. The simulation results demonstrated that our framework yields several benefits for EIS privacy protection, satisfies the design goals, and achieves an increased selected performance in selected methods.