Source: 信息与控制 2024 年第 53 卷第 1 期
期刊：信息与控制 Vol. 53 No. 1, 2024 DOI：10.13976/j.cnki.xk.2024.3222
单位：天津大学智能与计算学部；雄安国创中心科技有限公司
作者：任晓旭、仇超、邓辉、戴子明、刘泽军、王晓飞
一、研究背景与动机：边缘智能为什么需要区块链
爱立信预测：到 2024 年，IoT 设备将贡献 40ZB 互联网数据中的 45%。把这种规模的数据全部回传到云端做训练和推理，已经成为一种灾难——带宽吃不消、延迟无法接受、能耗也难以承担。边缘智能（Edge Intelligence） 因此被推到台前，它把网络、计算、存储和 AI 融为一体，将智能下放到网络边缘，为 IoT、智慧城市、智慧家居等场景的低延迟关键计算开辟道路。
但边缘智能并不能”独自”解决问题。在跨设备协作中，它面临三个棘手挑战：算力资源海量异构、管理低效；地理分散的边缘节点协作困难；基于私有数据的分布式训练 / 推理缺乏安全保障。这恰好对应了区块链的三大长处——分布式信任、不可篡改账本、可编程激励机制。两者优势互补，因此论文系统综述了边缘智能与区块链双向赋能的研究全景。
二、核心问题：双向融合如何分类
不同于把区块链与 AI 简单堆叠的工作，论文按”谁服务谁”的逻辑把研究图谱清晰二分：区块链驱动的边缘智能（Blockchain-Driven EI）和 边缘智能驱动的区块链（EI-Driven Blockchain）。这种二分法贯穿全文，让原本纷繁的工作有了清晰坐标。
三、区块链驱动的边缘智能：算力 / 数据 / 模型三个层面
3.1 算力管理：从博弈到拍卖
区块链可以激励算力供应商共享算力，也能保证交易隐私。论文将相关工作分为两类：基于博弈论（如 Stackelberg 博弈建模算力供应商-用户互动，并用多智能体强化学习求解纳什均衡；用部分可观测 MDP 处理矿工决策不可观测问题；用贝叶斯神经网络降低不确定性建模复杂度）；基于拍卖（如截止期感知的资源匹配 + 智能合约自动结算；用深度学习构建神经网络化的最优拍卖架构，通过单调变换函数确保个体理性和激励兼容）。
在性能驱动的算力分配方面，工作重点已经从单一指标转向”延迟 + 吞吐 + 安全 + 去中心化”的多目标优化，尤其在车联网场景中，DRL 被用于联合优化任务卸载与资源分配、停车辅助计算等问题。
3.2 数据管理：交易激励、缓存、协作三位一体
数据这一层综述把工作梳理为三个互锁模块。
数据交易激励：通过 Proof-of-Trading 等专用协议，避免节点因交易验证延迟而”代币用尽”；通过博弈论 + 多智能体强化学习寻找用户-矿工利益均衡；新近的尝试还有基于 Shapley 值分配数据贡献奖励。数据缓存：Proof-of-Utility 共识把缓存命中纳入共识激励；广播 + ML 推荐结合提升命中率；智能合约保证数据交付的可信性。数据协作：区块链同步根哈希支撑多方数据注册与一致性；DRL 用于完全分布式的数据收集；ML 在链上做去重与异常检测；轻量级声誉机制抵抗恶意感知节点。
3.3 模型优化：训练激励 + 可信推理
在训练侧，区块链激励机制（如按训练样本量奖励、契约理论声誉机制）能促进高质量节点参与；面向工业 IoT 的”区块链 + 联邦学习”系统通过 Merkle 树做数据完整性维护、链上激励量化贡献。在推理侧，Proof-of-Knowledge 共识依据知识贡献度选举领导者、构建协作知识图，归纳法 + 知识库则被用于增强推理的可解释性。
四、边缘智能驱动的区块链：让链本身更”聪明”
如果说前面是”链帮智能”，这一节则是”智能帮链”。综述从四个方向铺陈：
弹性灵活的共识协议 设计多功能共识——把哈希计算这种”无意义工作”替换为有用的 AI 任务：Proof-of-Deep-Learning（外包 DL 训练、矿工训练、全节点验证）、Proof-of-Learning（本地训练 + 模型封装上链）、Proof-of-Useful-Work（哈希值决定 DL 模型超参数、训练性能达标即出块）、Proof-of-Quality（把联邦学习整合进共识）。同时通过 DRL 实现共识协议的兼容性增强，让区块链可根据用户 QoS 动态切换最适配的共识。
高效安全的激励机制 用强化学习求解 Stackelberg 博弈得到最优挖矿策略；把挖矿任务调度建模为 MDP，联合考虑卸载、隐私级别和挖矿收益；面向 6G 的智能区块链分片 + 契约理论激励兼顾预算可行性和激励相容性。在加密货币安全侧，机器学习用于欺诈交易检测，无监督聚类用于地址去匿名化，主动学习则在标签稀缺场景下逼近监督基准线。
更智能的智能合约 提升健壮性：Eth2Vec 通过机器学习自动学习合约特征，对代码重写鲁棒；MATRIX 用深度神经网络代码生成器自动产生智能合约。提升高效性：智能合约 + 深度 ML + IoT 条件监测共同构建可信智能物流；Q-learning 训练反馈参数降低犯罪合约有效性。威胁检测：LSTM 增强漏洞检测能力；学习向量化表示精确识别已知漏洞。
可扩展性提升 综述把可扩展性问题建模为吞吐量、计算延迟、运营成本的多目标优化，使用 DRL（离线 DNN 逼近 Q 值 + 在线动态 Q-learning 选择动作）求解高维状态-动作空间，给出了具体的优化路径。
五、应用场景：从车联网到智能电网
论文把双向融合的成果落到了五个典型行业场景：
车联网（IoV）：区块链解决车载通信的安全、隐私、协作问题；ML 改善 IoV 各层决策，区块链进一步加固安全。智能医疗：HealthChain 实现链上加密健康数据的细粒度访问控制；基于 Ethereum 的访问机制抵抗已知攻击。智能制造：迭代式双层混合智能模型把区块链与数字孪生融合解决车间不一致问题；区块链 + 云制造平台支持分布式数据共享；嵌入式计算 + 区块链平衡计算负载。智能电网：DeepCoin 用短签名 + 哈希函数保证 P2P 能源系统高吞吐；账户映射技术保护能源交易隐私。下一代通信网络：区块链 + 联邦智能驱动数字孪生边缘网络；面向 6G 的无人机通信场景中区块链 + 通感一体化是关键潜在技术。
六、部署教程：从识别用例到激活生态
不同于纯理论综述，这篇文章贴心地给出了一份六步部署清单：
1) 用例识别——参考 PwC 的六条标准（多方更新 / 多方共享数据、是否需要验证、中介是否增加复杂度、交易是否相互作用、交互是否时间敏感），满足 4 项以上才考虑上链。2) 平台选择——根据系统需求选择链类型（Hyperledger Fabric vs MultiChain）、SDK 语言依赖、可扩展性等。3) 区块链初始化——以 Ethereum 为例，构造创世区块的 JSON 配置（Nonce、Timestamp 等），用 Geth 客户端启动。4) 智能合约创建——Ethereum Wallet + SOLC 编译为 EVM 字节码，通过 Geth RPC 部署，用 Remix 调试，用 Truffle / Ganache 构建分布式应用。5) 区块链激活——边缘智能应用须托管在主链；混合架构建议在云服务器初始化。6) 生态系统构建——发挥可解决组织问题的能力，同时遵循行业规定。
这部分对工程团队从 0 到 1 落地非常有参考价值。
七、研究挑战与未来方向
综述末尾给出了三个值得长期投入的开放问题：
算力网络：算力正从云端扩散到分布式设备，区块链作为可信平台支撑可靠的资源管理。但算力网络与区块链的双重复杂性使得资源分配难度陡增，如何把区块链植入算力网络以提供可信的付费服务仍是开放问题。量化智能：能量可以量化为运动速度，香农信息论用”熵”量化信息，但智能本身如何被量化、共享、交易——图灵测试至今没有给出定量答案。这是边缘智能”互联互通互信”的根本前提。交易智能：边缘节点数量爆炸下，如何构建可扩展的智能交易市场？已有 Learning Markets 等尝试用智能合约封装协作关系，但分布式智能交易市场的健壮设计仍处早期。
八、总结与展望
这篇 2024 年的综述胜在两点：第一，是少数把”区块链 ↔ 边缘智能”双向赋能讲清楚的中文综述之一；第二，不仅做现状梳理，还给出了部署教程和一组通用模型，让研究者能直接对接到自己的工程实践中。
对正在思考”分布式 AI + 可信账本”组合的研究者来说，这篇文章和雷凯老师团队的 IEN 系列、北大 ICNLAB 的链网融合工作可以放在一起阅读——前者偏向”边缘协作的范式与方法”，后者偏向”未来网络底层架构”，两条线索在算力网络、Web3.0、6G 这些更宏大的命题上正在合流。
