《Sustainable Computing: Informatics and Systems》:GALE: A Green, Auditable Machine-Learning and Lightweight-Blockchain Framework for Energy-Efficient and Tamper-Resilient Smart-Agriculture IoT
编辑推荐:
•一种面向智能农业物联网的绿色、可审计的机器学习 + 轻量级区块链框架。•清洁数据精度领先的模型在传感器损坏条件下未必仍然领先。•Merkle 批量处理将每条记录的上链成本降低 99.9%,使账本能耗变得微不足道。•模型按每焦耳检测量和性能保留率排名,而非仅凭清洁数据精度。引
- •
一种面向智能农业物联网的绿色、可审计的机器学习 + 轻量级区块链框架。
- •
清洁数据精度领先的模型在传感器损坏条件下未必仍然领先。
- •
Merkle 批量处理将每条记录的上链成本降低 99.9%,使账本能耗变得微不足道。
- •
模型按每焦耳检测量和性能保留率排名,而非仅凭清洁数据精度。
引言
精准农业已成为一门以数据为中心的科学,大量低成本物联网(IoT)传感器节点组成的密集网络以近乎实时的速度上报土壤养分和微气候数据[1]。当这些数据流被转化为农学决策时,可以减少水资源、肥料和能源的浪费,这正是该领域如今被框定为可持续发展问题而非纯农学问题的原因[2]、[3]。机器学习(ML)是实现这一转化的标准工具:综述报告显示,基于土壤和气候特征进行作物和产量推断已取得显著成效[4]、[5],大量应用研究工作利用氮、磷、钾、温度、湿度、pH 值和降雨量,通过经典学习器和集成学习器推荐作物:多数投票和集成流水线[6]、[7],大数据规模的特征分析[8],以及基于生产率和季节条件的推荐[9]。
用于此类表格型农业物联网推理的技术家族沿一条熟悉的路径演进,每个阶段都存在一个反复出现的缺陷。线性模型和基于实例的模型虽然透明,但无法充分拟合养分与气候之间的非线性交互关系;核方法以超线性的成本捕捉非线性,这给边缘设备的算力预算带来压力;单棵决策树容易过拟合;而树集成和梯度提升[10]如今主导排行榜,在精心整理的基准测试上频繁报告接近上限的精度[11]。在这些令人瞩目的数字背后,有两个问题始终未被充分审视。第一,精心整理的基准测试使用的是清洁数据,而实际部署的农业物联网数据并非如此:传感器会出现漂移、断连和尖峰,在清洁数据上表现最优的模型未必能优雅地应对退化。第二,推荐结果和模型本身都被隐式信任;然而在可持续发展认证或供应链溯源场景中,该记录的完整性才是利益相关方必须审计的对象[12]。
区块链是满足完整性要求的常规方案。其与物联网的集成已有广泛综述[13]、[14]、[15],包括可扩展访问和数据管理的架构[16],以及近期将链上信任与工业物联网分布式机器学习耦合的研究[17]、[18]、[19]。关于这种信任是否以高昂能耗为代价的担忧已被审视并得到相当程度的修正:区块链能耗具有高度异质性,许可制或权威证明部署的能耗比工作量证明低数个数量级[20]。通信高效共识和点对点能源交易设计正进一步降低成本[45]、[46]。目前仍然缺乏的是在同一能耗预算下联合衡量机器学习层和账本层的方法,以及报告鲁棒性而非仅报告清洁精度的做法。与此同时,基于机器学习的物联网安全研究已日趋成熟,涵盖广泛的机器学习安全综述[21]、包含深度学习的安