論文の概要: Two-layer consensus based on master-slave consortium chain data sharing for Internet of Vehicles

• arxiv url: http://arxiv.org/abs/2411.10680v1
• Date: Sat, 16 Nov 2024 03:10:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:31:56.779050
• Title: Two-layer consensus based on master-slave consortium chain data sharing for Internet of Vehicles
• Title（参考訳）: Internet of Vehiclesのためのマスタースレーブコンソーシアムチェーンデータ共有に基づく2層コンセンサス
• Authors: Feng Zhao, Benchang Yang, Chunhai Li, Chuan Zhang, Liehuang Zhu, Guoling Liang,
• Abstract要約: 本稿では,マスタ-スレーブコンソーシアム連鎖に基づく2層コンセンサスアルゴリズムを提案する。 WRBFTは重み付きラフトとビザンティンフォールトトレランス(WRBFT)を採用した。 多くの実験結果から,提案したWRBFTアルゴリズムは遅延を低減し,スループットとシステムのセキュリティを向上することが示された。
• 参考スコア（独自算出の注目度）: 15.307018029829178
• License:
• Abstract: Due to insufficient scalability, the existing consortium chain cannot meet the requirements of low latency, high throughput, and high security when applied to Internet of Vehicles (IoV) data sharing. Therefore, we propose a two-layer consensus algorithm based on the master-slave consortium chain - Weighted Raft and Byzantine Fault Tolerance (WRBFT). The intra-group consensus of the WRBFT algorithm adopts weighted Raft, and the best node is selected as the master node to lead the intra-group consensus by comprehensively evaluating the signal-to-noise ratio (SNR), data processing capacity and storage capacity of the nodes. The inter-group consensus adopts practical Byzantine fault tolerance (PBFT) based on BLS aggregate signature with nonlinear coefficients to ensure that the inter-group consensus can tolerate 1/3 of Byzantine nodes. At the same time, the verifiable random function (VRF) is used to select the master node of the inter-group consensus to ensure the randomness of the master node. A large number of experimental results show that the proposed WRBFT algorithm reduces delay, and improves throughput and system security.
• Abstract（参考訳）: スケーラビリティが不十分なため、既存のコンソーシアムチェーンは、IoT(Internet of Vehicles)データ共有に適用した場合、低レイテンシ、高スループット、高セキュリティの要件を満たすことができない。 そこで本稿では,WRBFT (Weighted Raft and Byzantine Fault Tolerance) とマスタスレーブコンソーシアムチェーンに基づく2層コンセンサスアルゴリズムを提案する。 WRBFTアルゴリズムの群内コンセンサスでは、重み付きRaftを採用し、最良ノードをマスターノードとして選択してグループ内コンセンサスをリードし、信号対雑音比(SNR)、データ処理能力、およびノードの記憶容量を包括的に評価する。 グループ間コンセンサスは、BLSアグリゲートシグネチャと非線形係数に基づく実用的ビザンチン耐障害性(PBFT)を採用し、グループ間コンセンサスはビザンチンノードの1/3を許容する。 同時に、検証可能なランダム関数(VRF)を使用して、グループ間合意のマスターノードを選択し、マスターノードのランダム性を保証する。 多くの実験結果から,提案したWRBFTアルゴリズムは遅延を低減し,スループットとシステムのセキュリティを向上することが示された。

関連論文リスト

• Privacy Preserving Semi-Decentralized Mean Estimation over Intermittently-Connected Networks [59.43433767253956]
  信頼できない無線ネットワークの異なるノードに分散するベクトルの平均をプライベートに推定する問題を考える。 半分散的なセットアップでは、ノードは隣人と協力してローカルコンセンサスを計算し、中央サーバにリレーする。 ノード間のデータ共有による協調中継とプライバシー漏洩のトレードオフについて検討する。
  論文  参考訳（メタデータ） (2024-06-06T06:12:15Z)
• Rethinking Clustered Federated Learning in NOMA Enhanced Wireless Networks [60.09912912343705]
  本研究では,新しいクラスタ化フェデレーション学習(CFL)アプローチと,非独立かつ同一に分散した(非IID)データセットを統合することのメリットについて検討する。 データ分布における非IIDの度合いを測定する一般化ギャップの詳細な理論的解析について述べる。 非IID条件によって引き起こされる課題に対処する解決策は、特性の分析によって提案される。
  論文  参考訳（メタデータ） (2024-03-05T17:49:09Z)
• Client Orchestration and Cost-Efficient Joint Optimization for NOMA-Enabled Hierarchical Federated Learning [55.49099125128281]
  半同期クラウドモデルアグリゲーションの下で非直交多重アクセス(NOMA)を実現するHFLシステムを提案する。 提案手法は,HFLの性能改善と総コスト削減に関するベンチマークよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-03T13:34:44Z)
• Differentially Private Federated Clustering over Non-IID Data [59.611244450530315]
  クラスタリングクラスタ(FedC)問題は、巨大なクライアント上に分散されたラベルなしデータサンプルを、サーバのオーケストレーションの下で有限のクライアントに正確に分割することを目的としている。 本稿では,DP-Fedと呼ばれる差分プライバシー収束手法を用いた新しいFedCアルゴリズムを提案する。 提案するDP-Fedの様々な属性は、プライバシー保護の理論的解析、特に非識別的かつ独立に分散された(非i.d.)データの場合において得られる。
  論文  参考訳（メタデータ） (2023-01-03T05:38:43Z)
• Semi-Synchronous Personalized Federated Learning over Mobile Edge Networks [88.50555581186799]
  我々は,モバイルエッジネットワーク上での半同期パーソナライズフェデレーション(PerFedS$2$)と呼ばれる半同期PFLアルゴリズムを提案する。 我々は、グローバルラウンド当たりの参加者数とラウンド数の観点から、PerFedS2の収束率の上限を導出する。 PerFedS2はトレーニング時間を節約し、トレーニング損失の収束を保証する。
  論文  参考訳（メタデータ） (2022-09-27T02:12:43Z)
• Federated Online Clustering of Bandits [35.21933787486559]
  コンテキスト多重武装バンディット(MAB)はレコメンデーションシステムにおいて重要な意思決定問題である。 本稿では,プライバシとコミュニケーションの考慮事項を満足しつつ,全体の後悔を最小限に抑えることを目的とした,B bandit (FCLUB) 問題の連合オンラインクラスタリングについて検討する。
  論文  参考訳（メタデータ） (2022-08-31T13:46:02Z)
• A Secure Clustering Protocol with Fuzzy Trust Evaluation and Outlier Detection for Industrial Wireless Sensor Networks [9.238298040561173]
  本稿では,ファジィ信頼評価と外乱検出を備えたセキュアクラスタリングプロトコルを提案する。 実験により、我々のプロトコルは、内部の悪意のあるノードや侵害されたノードからの攻撃に対して、ネットワークを効果的に防御できることを確認した。
  論文  参考訳（メタデータ） (2022-07-20T14:23:29Z)
• Communication-Efficient Federated Learning With Data and Client Heterogeneity [22.432529149142976]
  Federated Learning (FL)は、機械学習モデルの大規模分散トレーニングを可能にする。 FLを大規模に実行するには、本質的に実践的な課題が伴う。 従来のフェデレーション平均化(FedAvg)アルゴリズムの最初の変種を示す。
  論文  参考訳（メタデータ） (2022-06-20T22:39:39Z)
• Hybrid Contrastive Learning with Cluster Ensemble for Unsupervised Person Re-identification [8.345677436382193]
  教師なしのReIDに対して,Hybrid Contrastive Learning (HCL) アプローチを提案する。 また,Multi-Granularity Clustering Ensembleに基づくHybrid Contrastive Learning (MGCE-HCL)アプローチを提案する。
  論文  参考訳（メタデータ） (2022-01-28T09:15:20Z)
• Low-Latency Federated Learning over Wireless Channels with Differential Privacy [142.5983499872664]
  フェデレートラーニング(FL)では、モデルトレーニングはクライアントに分散し、ローカルモデルは中央サーバによって集約される。 本稿では,各クライアントの差分プライバシ(DP)要件だけでなく,全体としてのトレーニング性能に制約された無線チャネル上でのFLトレーニング遅延を最小限に抑えることを目的とする。
  論文  参考訳（メタデータ） (2021-06-20T13:51:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。