导论

随着无线通信技术和信息处理技术的不断发展，需要尽可能多的智能设备对实时数据进行处理，并动态反馈信息处理结果，实现工业智能化[1]。越来越多的企业需要在网络上与其他组织交换数据，并基于与其他组织的交互完成更大的任务。智能制造(Smart Manufacturing, SM)利用先进的信息技术和制造技术来优化生产和交易方式，是未来提升全产业链生产效率、生产质量和服务水平的热门技术。工业物联网智能设备实现制造资源数据的实时采集和共享，并基于射频识别设备(RFID)和无线通信技术[3]实现物料的操作可见性和可追溯性。生产资源通过智能设备相互交互，与不同SM行业协同完成大型工业物联网工作。巨大的操作量中存在太多的未知，不可避免的故障或安全问题时有发生，会影响SM产业链的进度。作为一个非常类似于CPS的镜像世界，Digital Twin (DT)可以在这个虚拟世界中模拟物理世界中所有可能的操作并评估其后果，并根据镜像[4]的模拟结果进一步调整物理产品。换句话说，DT不仅可以让工程师和设计师在搭建实际物理环境之前就着手产品的细节，还可以在增加多方联合工作协调的同时降低成本和优化流程。这对SM[5]来说无疑意义重大。
在本文中，我们提出了一种架构，能够在最大程度上提供隐私和安全保障的同时，保证整个SM流程的效率。本文的目的是开发一个在工业物联网环境下保护设备隐私并提供合法身份认证的SM框架，同时使该框架的操作过程更加高效和准确。
本文的其余部分组织如下:在第2节中，我们对其他现有研究进行了概述。第三节提出了一个基于bdt的框架，并对其进行了讨论。我们将概述该框架并解释其流程流。最后，在第四节中，我们对本文进行了总结。

相关工作

在本节中，我们首先介绍了区块链的最新研究，然后调查了数字孪生在工业物联网中的最新发展。

区块链

虽然DT通过模拟物理世界的变化来支持SM更高效地运行，但如果每个传感器的数据都复制回DT，势必会有一些毫无价值的数据干扰模拟和预测。甚至有可能会有恶意数据进入DT，在正确的事件流中误导SM。因此，需要对数据的来源进行身份验证和标识，区块链很好地解决了这个问题[6]。SM是一个典型的多方协作系统，其中生产链中的每个组件都存在信任问题。Zhang等[7]的研究表明，区块链不仅可以解决这一问题，还可以实现更加透明、安全的传输和存储。区块链可以在SM中搜索材料来源，通过剔除不良产品来提高交易效率。Shahbazi等人[8]部署了基于物联网传感器实时数据采集的区块链和智能合约，以确保设备合法性和数据安全性，同时减少决策延迟。利用大数据技术管理大规模数据集，对SM故障诊断进行预测和分析。

数字孪生

Lattanzi等[9]提出当前制造过程对生产资源快速配置和快速适应环境的需求越来越强烈。为了适应这种需求，DT的部署迫在眉睫。他们还总结了在DT部署中需要克服的技术挑战，包括
不同领域的集成、保真度模型的生成以及异构数据的通信。强调DT与IoT、云计算、AI等技术具有良好的融合预期效果，为我们的研究奠定了基础。Lu et al.[10]总结了SM中DT的定义，详细梳理了标准化的DT建模过程，总结了可以部署DT的SM场景。作者展示了DT可以在软件层面上对物理资源进行模拟和模拟，并可以通过代码调试和产品测试即时处理，从而提高了生产效率和制造精度，降低了成本。方[11]将DT实际部署在一个SM车间调度任务中，他们将部署CPS单元作为虚拟和物理孪生的通信媒介，虚拟空间部署在物理空间监测资源是用来收集数据并建立模型的，通过该模型获得相应的调度方案并进行仿真，最终反馈到物理空间。这种方法比传统方法准确得多，因为基于统计得到的数据是一个常数，不能完全反映实际生产过程中环境的变化及其对参数的影响。

提议的基于BDT的智能制造框架

本节对建议的体系结构进行分层描述，其中解释数据处理的不同层，并解释它们对整个框架的部署影响。然后，从全局的角度介绍了整个数据处理过程。如图1所示，本文提出的框架主要分为四层:1)IIoT设备层，2)边缘层，3)云层。

•设备层:在这一层，传感器将收集各种工业数据，然后将数据转发到上层边缘层。工业物联网中有许多类型的数据来自不同的工业工厂。SM要求车间之间相互协作以完成一项工业任务。SM中不同制造工厂之间的交互是有风险的，因为每个工厂提供的数据不能保证有效性。因此，它们之间的交互不能在没有任何安全保障的情况下进行，只有在识别了它们身份的合法性和数据的有效性后才能进行交互。为了更有效地调度车间之间的协作，应该在调查全局状态或确定协作对象的有效性之后做出调度决策。
•边缘层:在这一层，我们提供了一个联邦区块链网络，设备可以在其中进行身份验证。基站为设备层采集的所有数据的验证和合法性认证提供计算能力支持。虽然工业物联网设备的计算能力和安全性有限，但基站有足够的计算能力对到达基站的数据进行分类和注册。基站基于数据源做了一个集群，每个SM店都有唯一的标识符，因此每个集群都是唯一的。集群中的数据可以清楚地识别其来源，更有利于DT的创建。此外，来自设备层的所有数据源都需要通过共识机制得到网络中其他节点的批准。只有通过认证的数据才能加入集群。此后，SM中需要的数据直接从相应的集群中提取。这些数据已经过认证，无需担心数据的有效性。
•云层:DT部署在该层，制作设备层镜像环境，将数据调度给SM。虚拟SM车间使用的数据是根据标识符判断的，只从对应的集群接收数据，从而保证了数据源的准确性。当一个SM车间需要与其他SM车间交互时，决定是通过总部做出的。在与总部交互时，本地的数据处理结果加密后发送到DT环境的总部。然后总部决定是否与总部交互。在整个过程中，敏感数据的计算在DT中实现，与边缘的交互只与预处理结果进行，因此敏感数据的安全性得到了保证。
数据自底向上从设备层传输到云。该框架提供了一个基于DT和HPC的SM调度框架，并由区块链网络提供有效性验证，保证了SM调度的效率和安全性。在接下来的三个部分中，我们将详细介绍部署在边缘层的区块链、部署在雾中的DT以及部署在云中的高效云选择机制的工作流程。

结论

本文首先回顾了工业物联网和智能制造的概念。基于两者的特点，提出了一种基于区块链和数字孪生的安全高效的智能制造架构，为工业物联网提供全面的工作保障。基于区块链的身份验证和识别确保添加到集群的每个数据都是有效的。拥有有效数据的DT平台根据设定的算法处理数据，在需要其他平台时向总部请求决策。对于提出的架构，我们将在未来的研究中扩展量子计算，并在这些方向上完成架构的技术细节。

参考文献

1. Park, J.S. et al., 2020. Future trends of IoT, 5G mobile networks, and AI: challenges, opportunities, and solutions. Journal of Information Processing Systems. 16(4), 743-749. https://doi.org/10.3745/JIPS.03.0146
2. Kang, Hyoung Seok, et al.: Smart manufacturing: Past research, present findings, and future directions. International journal of precision engineering and manufacturing-green technology 3.1 (2016): 111-128.
3. Zelbst, Pamela J., et al.: The impact of RFID, IIoT, and Blockchain technologies on supply chain transparency. Journal of Manufacturing Technology Management (2019).
4. Kuts, Vladimir, et al.: Synchronizing physical factory and its digital twin through an IIoT middleware: a case study. Proceedings of the Estonian Academy of Sciences 68.4 (2019).
5. Karolina Luzniak, Digital Twin Applications – What Challenges Do They Solve? https://neoteric.eu/blog/digital-twin-applications-what-challenges-do-they-solve/#:~:text=What%20are%20digital%20twin%20applications,planning%20of%20large%2C%20complex%20projects. (accessed 12 July 2022) .
6. Leng, Jiewu, et al.: Blockchain-secured smart manufacturing in industry 4.0: A survey. IEEE Transactions on Systems, Man, and Cybernetics: Systems 51.1 (2020): 237-252.
7. Zhang, Yongping, et al.: Blockchain-based trust mechanism for IoT-based smart manufacturing system. IEEE Transactions on Computational Social Systems 6.6 (2019): 1386-1394.
8. Shahbazi, Zeinab, and Yung-Cheol Byun.: Integration of Blockchain, IoT and machine learning for multistage quality control and enhancing security in smart manufacturing. Sensors 21.4 (2021): 1467.
9. Lattanzi, Luca, et al.: Digital twin for smart manufacturing: A review of concepts towards a practical industrial implementation. International Journal of Computer Integrated Manufacturing 34.6 (2021): 567-597.
10. Lu, Yuqian, et al.: Digital Twin-driven smart manufacturing: Connotation, reference model, applications and research issues. Robotics and Computer-Integrated Manufacturing 61 (2020): 101837.
11. Fang, Yilin, et al.: Digital-twin-based job shop scheduling toward smart manufacturing. IEEE transactions on industrial informatics 15.12 (2019): 6425-6435.