S-PoDL：高效区块链共识机制

S‐PoDL：一种用于基于区块链的多接入边缘计算的两阶段计算高效的共识机制

摘要

最近，考虑到区块链技术在边缘计算中的优势，人们对基于区块链的多接入边缘计算（MEC）应用在安全与隐私方面的潜力日益关注。在一些采用最知名的共识算法——工作量证明（PoW）的基于区块链的MEC中，随着交易数量的增加，计算开销急剧上升，因为矿工需要利用边缘设备有限的计算资源完成大量计算任务。因此，在过去几年中，提升计算性能作为MEC应用区块链系统设计中的一个重要且具有挑战性的问题，受到了广泛关注。为了进一步提高PoW算法的性能，本文提出了一种新颖的实现机制。受深度学习证明（PoDL）方法的启发，该方法利用深度学习算法来维护区块链，本文通过设计一种两阶段模型以在基于PoDL的区块链系统中完成计算任务，相应地提出了一种新型的计算高效的共识机制，称为分离式深度学习证明（S‐PoDL）。因此，借助我们提出的S‐PoDL，可以构建一种高效节能的基于区块链的MEC，该机制安排矿工基于 accounting_queue技术执行两阶段的计算，并将获得的模型作为在MEC网络中的证明进行提交。本文在 S‐PoDL与PoDL之间进行了对比实验，实验结果验证了我们的共识机制S‐PoDL在涉及基于PoW的加密货币的一些基于区块链的MEC应用中的可行性与效率，同时有效降低了边缘设备的计算负担。

1. 引言

尽管多接入边缘计算（MEC）作为一种新范式，现在能够通过在最近的可用边缘节点处理数据，并在边缘侧提供额外资源（如存储空间和计算能力），从而满足计算服务的低延迟需求，同时有效减轻云服务器的负载[1,2]。然而，在MEC的设计与实施过程中，仍存在一些技术挑战需要解决[3]。通常，当MEC被应用于某些场景时，典型的工业场景需要在边缘节点提供灵活且快速的部署服务，此时应处理数据隐私和安全问题，特别是考虑到日益复杂的商业环境使得边缘计算技术难以适用于可靠可信应用。因此，研究人员和从业者认为区块链是一种有前景的技术，能够应对信任和安全方面的担忧，同时为新兴MEC应用[4–9],提供有效解决方案，其中边缘设备配备有区块链客户端。

目前，区块链技术与多接入边缘计算的有效结合显著提升了多接入边缘计算的计算性能，考虑到互操作性和信任需求使得区块链适用于多接入边缘计算平台[10,11]。例如，如[12],所述，区块链网络与多接入边缘计算的集成可应用于某些场景，例如蜂窝网络，随后为蜂窝网络开发了一种统一的基于漫游的区块链框架，并验证了其适用性。同时，一种区块链技术提出了一种在多接入边缘计算（MEC）应用场景下边缘服务器之间的可信协作模型，其中设计了一个许可型区块链框架以提供可信服务 [13]。然而，在将区块链应用于MEC时，资源受限交易也对基于区块链的MEC的部署构成了极具挑战性的障碍[12]。

一般来说，区块链最初是为数字货币比特币[14]设计的。此后，加密货币受到越来越多的关注。在过去十年中，出现了许多新的加密货币，包括Burstcoin [15],、Gridcoin [16],和FoldingCoin [17]。在现有的加密货币中，大多数根据矿工的贡献向其分配奖励。同时，在加密货币的技术架构中，共识机制以去中心化的方式应用于区块链，用于在各个用户之间就交易达成一致。

随着区块链技术的发展，已提出了各种共识算法，如空间证明 （PoSpace）、活动证明、工作量证明（PoW）、权益证明（PoS） 以及其他一些算法[14,18,19]。然而，由于竞争过于激烈和可扩展性限制，大多数这些共识协议在某些实际环境中可能无法良好应用。同时，大量电力和计算资源，包括中央处理器（CPU）、随机存取存储器（RAM）和传感器，被浪费于维持使用这些共识协议的区块链系统[20]。此外，当前使用这些共识协议开发去中心化应用的区块链框架受到无意义任务的严重制约。例如，以太坊由于其冗余的“哈希”过程而难以支持多样的去中心化应用程序[21]。在现有的共识算法中，工作量证明（PoW）已被广泛使用。在PoW中，生成目标数据非常困难，但其他节点验证该数据却很容易。近年来，一些混合工作量证明已成为实现高性能区块链的有前景解决方案之一。然而，在PoW中，网络中的每个节点都需要计算区块头的哈希值，这实际上浪费了大量资源[22]。因此，人们逐渐越来越关注如何避免此类资源浪费的局限性[23–25]。

目前，越来越多的共识机制被提出以解决基于工作量证明的区块链在多接入边缘计算中的问题。例如，权益证明（PoS）被设计用于改善工作量证明（PoW）的高能耗问题[26]。基于权益证明的区块链系统可根据节点的持股份额随机选择一个节点来生成下一个区块。然而，当基于权益证明的区块链网络扩展时，通信消息将呈爆炸式增长。为此，容量证明（PoC）被开发出来，以在Burstcoin[27]中节省基于工作量证明的区块链资源。容量证明（PoC）要求矿工分配一定量的磁盘空间，而非像工作量证明（PoW）那样进行计算。尽管它节约了计算资源，但却浪费了存储资源。针对这些局限性，提出了深度学习证明（PoDL），其中特别使用深度学习算法来维护区块链 [28], ，并且深度学习证明（PoDL）可部署于任何基于工作量证明的区块链MEC应用中以实现能源回收。然而，该方法也可能产生额外开销，且当恶意节点比例增加时，开销将迅速增长。为了更有效地回收能源，我们提出了一种新颖的两阶段共识机制，称为分离式深度学习证明（S‐PoDL）。S‐PoDL将区块链系统中的所有节点划分为 N个部分，并相应地建立N个完整_节点。因此，模型_请求者可以同时发布N个不同的深度学习模型。然后，属于不同部分的节点可以同时训练不同的模型。此外，这N个完整_节点可以选择具有最高准确率的节点准确率分别来自N个部分。最后，由full_nodes选出的N个节点将被放入accounting_queue中。具体而言，只有位于accounting_queue 中的节点才具有记账权。直观上，与PoDL相比，我们的框架 S‐PoDL能够有效减少额外开销和计算时间。

此外，节点作弊问题将导致区块链网络中的信息被篡改，从而破坏多接入边缘计算中的财产安全和隐私。为了高效实现MEC中的安全与隐私，PoDL在[28]中设计的两种防范节点作弊的措施也被应用于我们的框架S‐PoDL中。第一项措施是，test_dataset在第二阶段之前禁止公开。该措施可防止节点在第一阶段直接使用测试数据集进行训练以获得更高的评分。另一项措施是，节点必须在第一阶段提交包含其训练好的模型哈希值的区块头以供验证。这确保了节点在第一阶段提交的模型与第二阶段提交的模型保持一致。因此，通过采用上述措施，S‐PoDL框架能够像PoDL一样高效地实现MEC中的安全与隐私。

具体而言，本文的贡献总结如下。
- 我们提出了一种更高效的共识机制S‐PoDL，通过采用多阶段协同优化策略，使矿工在MEC网络中基于account-ing_queue技术进行两阶段计算，并将获得的模型作为证明提交。
- 与传统的PoW相比，共识机制S‐PoDL能够更快地生成区块，并可用于基于区块链的多接入边缘计算应用，特别是在与基于 PoW的加密货币相关的较短区块生成间隔场景中。
- 共识机制S‐PoDL与PoDL相比可以显著减少额外开销并更高效地回收能源，此外还能进一步节省由工作量证明（PoW）浪费的计算资源。

本文其余部分组织如下。第2节简要分析PoW和PoDL的背景。第3节详细描述我们的共识机制S‐PoDL。此外，在第4节中对 S‐PoDL的计算性能进行了理论分析。第5节开展了所提出模型与其他共识机制的对比实验，以验证我们方法的性能优势。结论在第6节中给出。

2. 背景

本节介绍了两种作为重要背景的共识机制。

2.1. 工作量证明（PoW）

工作量证明（PoW）广泛应用于各种加密货币中。如[14],所述，在基于工作量证明（PoW）的区块链系统中，网络中的每个节点都会计算区块头的哈希值。当某个节点达到目标值时，它会将该区块广播给其他节点。如果该区块通过验证，其他矿工将接受这个新区块。在实现过程中，矿工需要在工作量证明（PoW）中进行大量计算，实际上浪费了大量的计算资源[29,30]。

2.2. PoDL

在PoW的基础上，通过引入深度学习模型[28]，提出了一种新型共识机制PoDL。除了矿工和全_节点之外，PoDL还增加了一个利益相关者模型_请求者，该请求者将深度学习模型和训练_数据集发布给区块链网络中的所有节点。PoDL在共识过程中设计了两个模块。

在第一个模块中，各节点根据模型_请求者发布的训练_数据集对所发布的模型进行训练，然后计算训练后的模型参数的哈希值，并生成包含该模型参数哈希值的区块头。同时，在第一模块结束时，各节点将该区块头提交给全_节点。在第二个模块中，模型_请求者向所有节点发布测试_数据集，各节点分别计算模型在测试_数据集上的准确率。此外，它们还将训练后的模型连同包含准确率的区块以及区块头一并提交给全_节点以供验证。最后，全_节点忽略所有未收到区块头或哈希值与第一模块中提交的不一致的模型。随后，全_节点按照准确率从高到低的顺序对提交的深度学习模型进行验证，并接受第一个达到所声明准确率的模型。

2.3. 多接入边缘计算中的安全

边缘计算是指将云服务和资源推向网络边缘，以支持延迟敏感型应用，例如虚拟现实。在此背景下，多接入边缘计算（MEC）作为一种特定的分布式网络架构，能够将来自云层的数据、服务和应用程序下放到边缘层级，例如无线接入网络（RAN）。尽管MEC的分布式框架具有诸多优势，但其安全问题也是一项重大挑战[31]。可以看出，某些安全问题，如边缘安全控制、安全数据存储、安全计算和安全网络，可能导致MEC中的信息和数据泄露。为了解决安全问题，一些研究尝试将区块链系统与MEC相结合。例如，在[32],中提出了一种结合软件定义网络（SDN）的分布式区块链云架构，并使 MEC在设备层、雾层和云层三个层级上协同工作。文献[32]中提出的共识机制服务证明（proof‐of‐service）结合了权益证明（PoS）和工作量证明（PoW），用于验证在计算以及数据传输和存储方面的贡献。尽管工作量证明（PoW）能够保障区块链的安全性，但它消耗过多的计算能力，且吞吐量有待提升。相比之下，所提出的 S‐PoDL通过会计_队列机制提升了吞吐量性能，并在不牺牲区块链系统安全性的前提下回收了大部分计算能力。

3. 提出的计算高效的共识机制S‐PoDL

我们提出了一种新型的共识机制S‐PoDL，以更高效地回收能源。在我们的框架中，我们设置N个完整_节点并将所有节点分为 N部分，使得 模型_请求者最多可将 N个深度学习模型的训练外包给不同部分的节点。由于模型_请求者旨在获得具有最佳性能的深度学习模型，我们可以假设模型_请求者是诚实的。在此，我们将S‐PoDL详细划分为以下两个阶段，S‐PoDL的架构如 图1所示。

3.1. 阶段1

模型_请求者发布 训练_数据集并将多个深度学习模型分发至不同部分的节点。随后，节点在没有 测试_数据集的情况下训练深度学习模型，这能有效防止过拟合。节点完成训练后，将根据底层区块链系统的规则生成包含哈希模型的区块头。最后，在阶段1结束时，将区块头提交给相应的 全_节点。阶段1的伪代码如算法 1 所示。本阶段执行的操作与 PoDL 中的操作类似[28]。阶段1的示意图如图2所示。

算法1：阶段1（节点_p，模型_请求者，N）
这里，nodes_p 是不同部分内 N 个节点的列表。
初始： 模型_请求者发布 N个模型 训练_数据集.
1: 对于 节点 中的 N个节点_p并行执行
2: for node in nodes 并行执行
3: 模型 = 节点.train(training_dataset);
4: 哈希_模型 = 节点.哈希(模型);
5: 区块头 = 节点.generate_区块头(哈希_模型);
6: 节点.submit(区块头);
7: 结束for循环
8: 结束for循环

3.2. 阶段2

模型_请求者发布测试_数据集，以便节点可以计算其训练好的模型的准确率并生成区块。此外，它们将区块和训练好的模型提交给相应的全_节点。然后，全_节点通过比较阶段1中的哈希模型与阶段2中提交模型的哈希值来验证接收到的区块。最后，全_节点按准确率降序验证提交的区块和区块头。此外，全_节点接受第一个通过验证的区块和区块头。阶段2的伪代码如算法2所示。阶段2的示意图如图3所示。

算法 2: 阶段 2 (节点_p, full_节点_p 模型_请求者, N, 区块_头)
1 这里，节点_p 是指不同部分内的N个节点的列表，full_nodes_p 是一个包含 N个完整_节点 的列表，以及区块头包含已提交的区块 _head.
初始： 模型_请求者发布测试_数据集。
1: //节点开始计算准确率。
2: 对于 nodes 中的节点_p并行执行
3: 对于 node 属于 nodes 并行执行
4: acc = node.calculate_准确率(模型, test_dataset);
5: 区块 = node.generate_区块(acc);
6: node.submit(区块, 模型);
7: 结束 for
8: 结束循环
9: ////////////////////////////////
10: //完整_节点开始验证。
11: 对于 完整_节点 在 完整_节点集_p并行执行
12: 区块 = []; 模型 = [];
13: 对于 每个提交的模型和区块 执行
14: 拒绝 = 1;
15: 对于 区块_区块中的头部_头部 执行
16: 如果 区块_head.id == block.id 那么
17: 模型_哈希 = 区块_头.模型_哈希；
18: refuse = 0；
19: break；
20: end if
21: end for
22: 如果 refuse == 1 那么
23: 继续；//拒绝接受。
24: 结束 if
25: 模型_哈希_有效 = 完整_节点.哈希(模型);
26: 如果 模型_hash_有效 != 模型 _哈希 则
27: 继续； //拒绝接受。
28: 结束 if
29: blocks.append(block);
30: models.append(model);
31: 结束 for
32: full_node.sort(blocks); //按准确率降序排序。
33: 对于 range(blocks) 中的第 i 个对象执行
34: 准确率_valid = full_节点.calculate_准确率(模型[i], 测试_数据集);
35: 如果 准确率_有效 == 区块[i].准确率那么
36: accounting_queue.enqueue(区块[i]);
37: 结束如果
38: 结束循环
39：结束循环

4. S‐PoDL的性能分析

为了在上一节的基础上进一步分析S‐PoDL的特性，本节展示了我们模型的一些性能优势。

4.1. 节点作弊的防范

所提出的机制S‐PoDL采用两种策略来防止[28]中提到的节点作弊行为。第一种策略是S‐PoDL为区块生成设置了两个阶段。在阶段1中，模型_请求者仅发布训练_数据集，直到阶段2才发布测试_数据集。这样做的原因是，如果测试_数据集和训练_数据集同时发布，节点可能会直接在测试数据集上进行训练以获得更高的准确率。这种行为会对区块链网络造成严重损害。

另一种策略是，S‐PoDL 要求节点在阶段1必须提交包含其模型哈希值的区块头。只有当模型的哈希值与阶段1中提交的一致时，所提交的模型才有效。如果某个节点窃取其他节点的模型，或在阶段2 中使用test_dataset进一步训练其模型以获得更高的准确率，则其模型的哈希值将会不同。

4.2. 模型可复现性

为确保模型的可复现性，节点需要提供用于训练深度学习模型的参数，例如学习率、批量大小、训练轮数和初始权重。full_node将具备复现节点提交的模型的能力，并判断该模型是否仅在training_ dataset上进行训练。

4.3. 跨多个区块生成周期的模型训练

这些模型在阶段1只能进行短时间训练，因为在许多加密货币系统中，区块生成速率被限制为一个常数，例如莱特币为2.5分钟，比特币为10.0分钟。然而，一个令人满意的模型通常需要多次训练迭代 （epochs），这在阶段1中无法实现。因此，S‐PoDL采用了一种受 [28]启发的技术来解决此问题。如果模型的准确率未达到model_ requester的要求，则这些深度学习模型将不被接受。同时，这些模型将在下一个区块生成周期中继续在已发布的training_dataset上进行训练。不同test_数据集也将在下一个区块生成周期由模型_请求者发布。因此，训练一个令人满意的深度学习模型通常会跨越多个区块生成周期。

4.4. 会计队列技术

accounting_queue由具有记账权的节点组成。这里，当N full_ nodes完成模型验证后，模型准确率最高的N个节点将进入队列。因此，在一个区块生成周期内最多可生成N个区块。相比之下，PoDL在一个区块生成周期内只能生成一个区块，与我们的模型 S‐PoDL相比可能效率较低。

4.5. 额外开销的分析

在基于S‐PoDL的MEC区块链系统中，节点需要持续训练模型，而无需持续进行哈希值计算。因此，模型训练本身替代了哈希计算，不能将其视为额外开销。与此同时，S‐PoDL带来的额外开销包括五个部分：（1）阶段1中对训练好的模型进行哈希计算；（2）阶段2中节点的准确率确定；（3）full_nodes在阶段2中对提交模型的正确性进行验证；（4）full_nodes在阶段2中按准确率排序；以及（5）full_ nodes在阶段2中的准确率验证。

在上述额外开销中，部分（1）包含哈希计算操作，部分（3）包含哈希计算和哈希查找操作，部分（4）包含排序操作。有关这些部分的更多描述见[28]。显然，这些额外开销可以忽略不计。设M是区块链系统中节点的总数。在PoDL中，需要对M个模型的准确率进行排序，而在我们的框架S‐PoDL中，我们设置了N full_nodes，从而可以并行进行排序。因此，S‐PoDL在排序操作上比PoDL快N倍。

此外，在额外开销中，部分（2）和（5）涉及深度学习模型的前向计算。在部分（2）中，节点需要运行一次前向算法。此外，在部分（5）中，full_nodes需要运行该算法，直到找到具有声称准确率的模型。因此，部分（5）占据了大部分额外开销。设 α为恶意节点在总节点数中的比例。在PoDL中，部分（5）消耗的验证次数的上界为M × α。而在我们的S‐PoDL中，该部分消耗的验证次数的上界仅为 $ \frac{M \times \alpha}{N} $。显然，S‐PoDL在用于多接入边缘计算的区块生成方面比 PoDL快N倍。

此外，与[28],中PoDL的特性类似，我们的S‐PoDL也具有一些相同的优点，例如防止区块可逆性和双重支付、低网络延迟，以及易于部署专用集成电路（ASIC）设备。最后，通过PoDL与S‐PoDL之间的比较，进一步总结了S‐PoDL的性能特点如下。

• 提高共识过程的输出 。PoDL在一次共识过程中最多只能完成一个任务。相比之下，model_requester在S‐PoDL中可以在一次共识过程中设置N个任务。因此，我们的S‐PoDL在一次共识过程中最多可完成N个任务。因此，N的值越大，S‐PoDL在共识过程中能够完成的任务越多，从而进一步提高了S‐PoDL对计算能量的回收效率。
• 在共识过程中减少额外开销 。额外开销主要由全节点的排序操作和验证准确率操作引起。如上所述，S‐PoDL在验证准确率操作上平均比PoDL快N倍。同时，N的值越大，全节点用于排序操作的时间越少，S‐PoDL引起的额外开销也越少。
• 提高区块链系统的吞吐量 。在PoDL中，每个共识过程只能有一个节点获得记账权。S‐PoDL将所有节点划分为N个部分，从而在一次共识过程中可以获得N个具有记账权的节点。因此，N的值越大，共识过程中生成的具有记账权的节点就越多，区块生成间隔越小，S‐PoDL的吞吐量也就越高。

5. 实验结果与讨论

5.1. 实验设置

我们的实验是在一个配备 Intel(R) Xeon(R) CPU E5‐2630 v4 @2.20GHz 的计算机上，针对特定的 MEC 应用场景进行的。需要注意的是，S‐PoDL 仅是一个理论框架，它提出了将深度学习模型用于共识算法设计的思想，但并未具体指定数据集和模型。实际上，model_requester在共识过程中设定任务，将发布 N个数据集和 N个模型供节点训练模型。在接收到特定数据集和模型后，节点将设置自身的超参数以训练模型，从而实现最高的准确率。为方便起见，在实验中我们选择MNIST数据集[33]作为model_requester发布的数据集，同时使用全连接网络（FNN）和卷积神经网络（CNN）[34]作为 model_requester发布的模型。在不失一般性的前提下，我们通过生成随机数来设置超参数。

与PoW中不断计算哈希值不同，在我们的基于S‐PoDL的区块链 MEC网络中，节点仅需进行深度学习模型训练。因此，我们的S‐PoDL可以避免重复的无意义计算。然而，S‐PoDL 也会带来额外开销。动机来自[28],主要的额外开销包括：（1）阶段1中训练好的模型的哈希计算和阶段2中的准确率确定；（2）full_nodes在阶段2中对提交模型的正确性进行验证；以及（3）在阶段2中的准确性验证和按准确率排序操作。

在我们的实验中，主要考虑准确率验证操作的开销，因为它在所有额外开销中起着最重要的作用。这里主要有两个影响准确率验证开销的参数：（1）支持区块链的MEC网络中的总节点数（表示为tnn）；（2）恶意节点在总节点中的比例（表示为 α）。

进行了三个实验。实验1用于分析S‐PoDL中准确性验证操作的开销。在此，我们将N设置为2，因此所有节点被分为2部分，并在实验1中设置了2个full_节点。在说明不同深度模型对S‐PoDL中准确性验证开销的影响时，第1和第2部分的节点分别训练一个CNN模型和一个FNN模型。实验2和实验3用于分析PoDL中准确性验证操作的开销。在实验2中，区块链网络中的所有节点仅训练一个FNN模型。此外，在实验3中，所有节点仅训练一个CNN模型。

在上述实验中，我们设置了不同的tnn=[10, 50, 100,200]和 α=[0, 0.1, 0.2, 0.3, 0.4, 0.5]，进行了多组对比实验。每组对比实验重复100次，统计每次实验中全节点准确性验证的次数，记为 num_valid，以及全节点准确性验证所花费的时间，记为cost_valid，以分析PoDL和我们的S‐PoDL中准确性验证的开销。

5.2. 实验结果

在本小节中，我们主要分析参数tnn和 α对S‐PoDL中num_valid和cost_valid的影响，并讨论S‐PoDL相较于PoDL[28]在准确性验证上的开销。

实验1的结果如图4和图5所示。在图4中，横轴为实验次数，纵轴为cost_valid的值。在图5中，横轴为实验次数，纵轴为num_valid的值。这两张图表明，随着tnn和 α的变化，cost_valid和num_valid 的值受到显著影响。为了更直观地分析这些值，我们将100次重复实验的结果进行平均，得到图6，其展示了实验1的统计结果。

通过图6中的对比分析，我们可以得出以下结论。(1) 当 α等于 0时，无论区块链网络中存在多少节点，我们提出的S‐PoDL中的 cost_valid和num_valid都接近于0。(2) 随着 α的增加，S‐PoDL中的cost_valid和num_valid也随之增加。(3) 随着tnn的增加，α对 S‐PoDL中cost_valid和num_valid的影响越来越显著。(4) 模型请求方发布的模型复杂度对S‐PoDL中的开销没有显著影响。基于上述观察，我们可以得出以下结论。(1) 由于S‐PoDL中引入了准确性验证操作，节点几乎不可能欺骗全节点，因此节点没有动机谎报准确率。为进一步降低S‐PoDL中的额外开销，可对作弊节点进行惩罚。(2) 由于模型请求方发布的模型复杂度对S‐PoDL的开销无显著影响，S‐PoDL对特定模型具有更强的鲁棒性，因此模型请求方可以在该框架下发布其他更复杂的深度学习模型，例如[35,36],中的模型。实际应用中，model_requester发布的任务通常是训练一个复杂模型，因此，S‐PoDL的鲁棒性具有很高的实用性。

图7 展示了S‐PoDL与PoDL在准确性验证开销方面的对比。在实验1中，我们将所有节点分为2个部分，因此可以同时执行2个完整_节点的准确性验证操作。我们选择第1和第2部分中的最大成本_有效值和数量_有效值来代表实验1的结果。通过图7 中的对比分析，我们可以很容易地观察到以下信息。（1）无论成本_有效值和数量_有效值如何变化，实验1中的这些值明显低于实验2和实验3中的对应值。具体而言，实验1中的成本_有效值和数量_有效值几乎是实验3中的一半，这与之前关于额外开销的理论分析一致。（2）随着tnn的增加，我们的S‐PoDL在开销上的增长率明显慢于PoDL。考虑到在实际的支持区块链的MEC网络中节点总数可能非常大，预计我们的S‐PoDL相比 PoDL能够显著减少额外开销。

6. 结论

我们基于所提出的共识机制S‐PoDL，开发了一种计算高效的基于区块链的MEC网络的概念验证设计。在该机制中，所有节点被划分为多个部分，以同时训练由model_requester发布的不同深度学习模型。因此，S‐PoDL的计算性能是PoDL的数倍。实际上，实验结果验证了S‐PoDL的优势：（1）当在S‐PoDL中将区块链网络中的所有节点划分为N个部分时，S‐PoDL的额外开销仅为PoDL的 $ \frac{1}{N} $；（2）S‐PoDL对整个区块链网络中恶意节点的数量不敏感，因此相比 PoDL，S‐PoDL更适合存在较多恶意节点的实际支持区块链的 MEC网络。此外，由于采用了accounting_queue技术，我们的 S‐PoDL可在一次区块生成周期内生成多个区块。因此，S‐PoDL能够满足MEC应用对于基于PoW的加密货币的需求，实现更小的区块生成间隔。此外，所提出的共识机制通过区块验证策略能够防止模型窃取和双重支付。

为进一步提升共识机制S‐PoDL的计算性能，未来仍有许多工作需要完成。例如，我们可以在一些复杂的MEC应用环境中进行安全测试。此外，除了MEC应用外，基于S‐PoDL的区块链框架还将应用于其他具有延迟敏感和数据敏感需求的边缘计算相关安全领域，如虚拟现实和自动驾驶。