The emergence of edge computing has witnessed a fast-growing volume of data on edge devices belonging to different stakeholders which, however, cannot be shared among them due to the lack of the trust. By exploiting blockchain's non-repudiation and non-tampering properties that enable trust, we develop a blockchain-based big data sharing framework to support various applications across resource-limited edges. In particular, we devise a number of novel resource-efficient techniques for the framework: (1) the PoC (Proof-of-Collaboration) based consensus mechanism with low computation complexity which is especially beneficial to the edge devices with low computation capacity, (2) the blockchain transaction filtering and offloading scheme that can significantly reduce the storage overhead, and (3) new types of blockchain transaction (i.e., Express Transaction) and block (i.e., Hollow Block) to enhance the communication efficiency. Extensive experiments are conducted and the results demonstrate the superior performance of our proposal.

Over-the-air federated edge learning (Air-FEEL) shows promise as a distributed machine learning paradigm for edge devices. By leveraging the superposition property of a multiple access channel (MAC), Air-FEEL can achieve low communication latency during training while enhancing the data privacy of edge devices, though at the expense of compromised learning performance. Recent studies suggest that optimizing the convergence speed of Air-FEEL can be accomplished by regulating the transmission power of edge devices while ensuring their differential privacy (DP). In this paper, we advance by incorporating device sampling in Air-FEEL (Air-FEEL-DS) to improve privacy and reduce device energy consumption, where each edge device decides randomly and independently whether to participate in each training round. Firstly, we theoretically characterize both the DP guarantee and convergence performance of Air-FEEL-DS. Then, we formulate a power control optimization problem to optimize the convergence speed while ensuring a specified DP guarantee. Despite the non-convex nature of this problem, we propose an efficient algorithm by linking it to a variant, transforming the variant into a convex problem, and demonstrating that the convex problem accommodates an efficient waterfilling-like algorithm. Finally, simulation results show that our proposed power control scheme achieves much faster convergence for Air-FEEL-DS than the channel inversion method, and has close convergence performance with significantly lower energy consumption compared to Air-FEEL with optimized power control but without device sampling.

Detection and assessment of micro vibrations are crucial tasks in both industrial settings and daily life. However, vibration sensors attached to the target vibrator may introduce potential resonance, and wireless detection methods suffer from severe multipath interference. Fortunately, moiré-based sensing methods have gained recognition in recent years due to their ability to perceive micro motion changes. In this paper, we propose MoiréVib, a micro-vibration detection solution based on moiré patterns for dynamic and high-frequency environments. We attach a printed marker with periodic gratings to the surface of vibration devices to generate moiré patterns, which can amplify micro vibrations due to their low-frequency magnification effect. However, moiré pattern's changes caused by micro vibrations are often overwhelmed by random pixel-level noises, and the limited frame rate of the camera fails to capture high-frequency moiré features. To deal with these problems, we propose a spectrum-based method to refine and enhance the dynamic and micro moiré features. Additionally, we propose a dual-frame-rate-based fusion mechanism to realize high-frequency reconstruction of moiré features. Extensive experimental results show that MoiréVib can realize a median amplitude detection error of 4.37 μm and achieve frequency detection up to 300Hz with a frame rate range of 10~30 fps.