بلاک چین موبایل و رایانش لبه: مدیریت منابع و کاربردها

فهرست مطالب

• 1. مقدمه
• 2. Edge Computing for Mobile Blockchain
  • 2.1 مرور کلی معماری
  • 2.2 تخلیه کاری اثبات کار
• 3. مدیریت منابع اقتصادی
  • 3.1 مدل نظریه بازی
  • 3.2 مکانیسم قیمت‌گذاری
• 4. نتایج آزمایشی
  • 4.1 معیارهای عملکرد
  • 4.2 اعتبارسنجی
• 5. Technical Analysis
• 6. پیاده‌سازی کد
• 7. کاربردهای آینده
• 8. References

1. مقدمه

بلاک چین به عنوان یک دفتر کل عمومی غیرمتمرکز برای ذخیره سوابق تراکنش عمل می‌کند و محدودیت‌های سیستم‌های متمرکز مانند خرابی نقطه واحد و آسیب‌پذیری‌های امنیتی را برطرف می‌سازد. داده‌ها در ساختاری متشکل از بلوک‌ها در یک لیست پیوندی سازماندهی می‌شوند و در سراسر شبکه تکثیر می‌گردند تا یکپارچگی را تضمین کنند. استخراج که شامل حل پازل‌های اثبات کار (PoW) است، برای افزودن بلوک‌های جدید ضروری می‌باشد اما به منابع محاسباتی قابل توجهی نیاز دارد و این امر، مانع از به کارگیری آن در دستگاه‌های موبایل و اینترنت اشیاء با منابع محدود می‌شود. رایانش لبه موبایل (MEC) به عنوان یک راه‌حل با فراهم آوردن قدرت محاسباتی در لبه‌های شبکه، مانند ایستگاه‌های پایه، ظاهر شده است که تخلیه کارآمد PoW را ممکن می‌سازد. این ادغام، استحکام بلاک چین را افزایش می‌دهد و از طریق پاداش‌های اجماع، انگیزه‌هایی برای کاربران موبایل فراهم می‌کند. با این حال، چالش‌های اقتصادی مانند قیمت‌گذاری و تخصیص منابع، نیاز به بهینه‌سازی با استفاده از نظریه بازی‌ها دارند.

2. Edge Computing for Mobile Blockchain

Edge computing از سرورهای محلی در لبه‌های شبکه موبایل برای پشتیبانی از برنامه‌های کم‌تأخیر استفاده می‌کند که برای شبکه‌های 5G حیاتی است. برای بلاکچین، MEC به دستگاه‌های موبایل اجازه می‌دهد تا پازل‌های PoW را به سرورهای لبه منتقل کنند که مصرف انرژی را کاهش و مشارکت را بهبود می‌بخشد.

2.1 مرور کلی معماری

این سیستم شامل ماینرهای موبایل، سرورهای لبه و یک شبکه بلاکچین است. ماینرها وظایف PoW را از طریق لینک‌های بی‌سیم به سرورهای لبه ارسال می‌کنند و سرورها راه‌حل‌ها را برای اعتبارسنجی بلوک بازمی‌گردانند. این رویکرد غیرمتمرکز تأخیرها را به حداقل رسانده و مقیاس‌پذیری را افزایش می‌دهد.

2.2 تخلیه کاری اثبات کار

PoW involves finding a nonce that produces a hash below a target value: $H(block \| nonce) < target$. Offloading this to edge servers saves mobile resources, with the hash function computed as $H(x) = SHA256(x)$.

3. مدیریت منابع اقتصادی

یک مدل اقتصادی، تخصیص منابع بین ارائه‌دهندگان اج و ماینرها را بهینه می‌کند.

3.1 مدل نظریه بازی

یک بازی Stackelberg تعاملات را مدل‌سازی می‌کند: ارائه‌دهنده قیمت‌ها را تعیین می‌کند و ماینرها تقاضای محاسباتی را تنظیم می‌کنند. سود ارائه‌دهنده $\pi_p = p \cdot d - C(d)$ است، که در آن $p$ قیمت، $d$ تقاضا و $C$ هزینه است. ماینرها utility $U_m = R - p \cdot d$ را حداکثر می‌کنند که در آن $R$ پاداش بلوک است.

3.2 مکانیسم قیمت‌گذاری

قیمت‌گذاری پویا عرضه و تقاضا را متعادل می‌سازد، مشابه تکنیک‌های مورد استفاده در شبکه‌های بی‌سیم [9]. به عنوان مثال، [10] از قیمت‌گذاری برای ارتباطات مشارکتی استفاده می‌کند که در اینجا برای منابع محاسباتی تطبیق داده شده است.

4. نتایج آزمایشی

آزمایش‌ها چارچوب پیشنهادی را اعتبارسنجی می‌کنند.

4.1 معیارهای عملکرد

معیارهای کلیدی شامل صرفه‌جویی انرژی، تأخیر و نرخ موفقیت استخراج می‌شوند. برون‌سپاری PoW مصرف انرژی موبایل را تا 70٪ در مقایسه با محاسبات محلی کاهش می‌دهد.

4.2 اعتبارسنجی

یک نمونه اولیه نشان می‌دهد که رایانش لبه ای زمان حل PoW را تا 50٪ کاهش می‌دهد و ماینرها در شرایط قیمت‌گذاری بهینه به پاداش‌های بالاتری دست می‌یابند. نمودارها منحنی‌های تقاضا در مقابل قیمت و دستاوردهای بهره‌وری انرژی را نشان می‌دهند.

5. Technical Analysis

این مقاله پل ارتباطی بین بلاکچین و رایانش لبه ایجاد کرده و به مسئله مصرف منابع در اثبات کار می‌پردازد. برخلاف مدل‌های سنتی، مشوق‌های اقتصادی را در نظر می‌گیرد که با روندهای سیستم‌های غیرمتمرکز مانند آنچه در CycleGAN برای شبکه‌های متخاصم مولد دیده می‌شود [11] همسو است. رویکرد نظریه بازی که در مطالعات یادگیری فدرال مشاهده شده [12]، انصاف را تضمین می‌کند. فرمول‌بندی‌های ریاضی مانند $U_m = R - p \cdot d$ چارچوبی مقیاس‌پذیر برای تخصیص منابع فراهم می‌کنند. آزمایش‌ها مزایای عملی را نشان می‌دهند، اما چالش‌هایی در محیط‌های پویا باقی می‌ماند. در مقایسه با راه‌حل‌های مبتنی بر ابر، رایانش لبه تأخیر کمتری ارائه می‌دهد که برای کاربردهای اینترنت اشیاء بلادرنگ حیاتی است. منابع خارجی مانند بررسی‌های IEEE در مورد MEC [13] از پتانسیل یکپارچه‌سازی برای 5G و فراتر از آن پشتیبانی می‌کنند.

6. پیاده‌سازی کد

شبهکد برای تخلیه بار اثبات کار:

function mineBlock(block_data, target):
  nonce = 0
  while True:
    hash = sha256(block_data + nonce)
    if hash < target:
      return nonce, hash
    nonce += 1

# Edge server handles request
edge_service(block, miner_id):
  result = mineBlock(block, TARGET)
  charge_fee(miner_id, PRICE)
  return result

7. کاربردهای آینده

کاربردهای بالقوه شامل شهرهای هوشمند، ردیابی زنجیره تأمین و اینترنت اشیاء سلامت می‌شود. به عنوان مثال، بلاک چین مبتنی بر اج می‌تواند داده‌های بیماران را به صورت بلادرنگ ایمن سازد. کارهای آینده ممکن است یکپارچه‌سازی یادگیری ماشین برای قیمت‌گذاری تطبیقی و الگوریتم‌های گواه اثبات کار مقاوم در برابر کوانتوم را بررسی کنند.

8. References

1. شبکه‌های تحویل محتوا، IEEE Transactions، 2015.
2. سیستم‌های شبکه هوشمند، ACM Journal، 2016.
3. استخراج در بلاکچین، وایت‌پیپر بیت‌کوین، 2008.
4. رایانش لبه موبایل، وایت‌پیپر ETSI، 2014.
5. شبکه‌های 5G، استانداردهای 3GPP، 2017.
6. Pricing in wireless networks, IEEE Survey, 2010.
7. Cooperative communication, IEEE Transactions, 2012.
8. CycleGAN, ICCV Paper, 2017.
9. Federated learning, Google Research, 2016.
10. IEEE MEC survey, 2019.