연합 학습과 블록체인을 결합하면 모델 업데이트의 무결성과 신뢰성을 높일 수 있다. 그러나 블록체인 블록 채굴과 FL 모델 훈련이 동시에 진행될 때 발생하는 지연은 엣지 컴퓨팅 환경에서 심각한 병목이 된다. 이 문제를 해결하는 최적화 전략이 제안됐다.
연구진은 다수의 모바일 디바이스가 여러 엣지 서버와 통신하며 ML 모델 훈련과 블록 채굴을 동시에 수행하는 블록체인 기반 연합 학습시스템 모델을 구성했다. 리소스가 제한된 모바일 디바이스가 연산을 엣지 서버에 오프로딩하는 전략을 설계하고, 오프로딩 결정·전송 전력·자원 할당을 공동으로 최적화하는 알고리즘을 개발했다.
최적화 문제는 비볼록 혼합 정수 프로그래밍으로 모델링됐으며,연속 이완과 교대 최적화 기법으로 풀었다. 시뮬레이션 결과, 제안된 오프로딩 전략은 전체 BFL 시스템 지연을 기존 방법 대비 최대 32% 단축했으며, 에너지 소비도 함께 절감했다.
자율주행·스마트 팩토리 등 실시간 ML 추론과 신뢰할 수 있는 데이터 검증이 동시에 필요한 엣지 AI 환경에서 이 연구의 실용적 가치는 크다.
> 실무 시사점: 블록체인 기반 FL 시스템을 엣지에 배포할 때, 채굴 연산과 모델 훈련 연산의 오프로딩을 공동 최적화하는 스케줄러를 설계해야 지연과 에너지 효율을 동시에 달성할 수 있다.
📖 *arXiv 논문* | 논문 원문
Combining Federated Learning (FL) with blockchain delivers model update integrity and verifiable audit trails—but at a cost. Block mining operations compete with ML model training for the constrained computational and communication resources of mobile edge devices. In multi-server edge environments, this tension creates latency bottlenecks that undermine the real-time responsiveness FL deployments require.
Researchers formulated and solved a latency optimization problem for blockchain-based federated learning (BFL) in multi-server edge computing. The system model consists of distributed mobile devices (MDs) communicating with multiple edge servers (ESs) to handle both ML model training and block mining simultaneously. Resource-constrained MDs can offload computation to associated ESs—the key design decision being which computations to offload, to which server, and with what transmission power allocation.
The joint optimization of offloading decisions, transmission power, and resource allocation was formulated as a non-convex mixed-integer program. The researchers developed an efficient solution via continuous relaxation and alternating optimization—decomposing the joint problem into tractable subproblems solvable iteratively.
Simulations demonstrated that the optimized offloading strategy reduced total BFL system latency by up to 32% compared to baseline approaches, while simultaneously reducing energy consumption. The gains were particularly significant in scenarios with heterogeneous device capabilities—the optimization dynamically routes computationally intensive tasks to capable servers while keeping lightweight operations local.
The solution is directly applicable to autonomous vehicles, industrial IoT, and smart city edge deployments where real-time ML inference must coexist with trusted data provenance via blockchain.
> Practical takeaway: When deploying blockchain-based FL at the edge, design a joint scheduler that co-optimizes mining and model training offloading decisions—treating them as a unified resource allocation problem rather than independent workloads.
📖 *arXiv Preprint* | Full Paper
