CN117202173A - 一种面向用户隐私保护的边缘计算卸载方法 - Google Patents
一种面向用户隐私保护的边缘计算卸载方法 Download PDFInfo
- Publication number
- CN117202173A CN117202173A CN202311467259.2A CN202311467259A CN117202173A CN 117202173 A CN117202173 A CN 117202173A CN 202311467259 A CN202311467259 A CN 202311467259A CN 117202173 A CN117202173 A CN 117202173A
- Authority
- CN
- China
- Prior art keywords
- unloading
- user
- privacy
- edge
- calculation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 9
- 230000002787 reinforcement Effects 0.000 claims abstract description 7
- 230000005764 inhibitory process Effects 0.000 claims abstract description 5
- 238000005457 optimization Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 230000036961 partial effect Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 238000003306 harvesting Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001010 compromised effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及边缘计算卸载领域，尤其涉及一种面向用户隐私保护的边缘计算卸载方法，包括：基于用户卸载任务及卸载频率定义隐私量概念，并制定隐私约束；通过对边缘计算服务器基站下所有用户的卸载概率进行抑制和泛化处理，构建隐私保护模型；联合考虑用户与边缘节点之间的信道状态构建卸载模型；计算不同卸载策略下边缘节点场景内多个用户构成系统的计算速率；计算目标用户计算时延、用户累计隐私量，选择隐私约束范围内系统计算速率最优的卸载策略，下发到用户终端设备执行；本发明考虑用户的隐私信息进行边缘计算任务卸载，有效的避免用户的身份和位置信息泄露，获取高质量的边缘计算服务；使用深度强化学习算法训练得到卸载策略。
Description
技术领域
本发明涉及边缘计算卸载领域，尤其涉及一种面向用户隐私保护的边缘计算卸载方法。
背景技术
随着物联网设备的普及，不少学者围绕物联网隐私问题进行了研究，但多数研究都是在传统云计算场景的基础上对数据加密、访问控制、身份认证等方面进行探讨，关于MEC(Mobile Edge Computing)架构的物联网隐私保护的研究则较少。由于MEC支持的系统场景具备无线卸载功能，存在潜在的隐私泄露风险，即用户位置隐私和使用模式隐私。
边缘计算为用户带来便利的同时，也面临着高要求的隐私保护的挑战。由于边缘设备往往是半可信的设备以及常由第三方代理，用户终端一般无法事先获悉将要卸载的边缘设备是否是可以信赖的数据中心。这就为那些通过监听MEC服务器卸载信息的来获取用户身份信息、位置信息、以及敏感信息的恶意监听者提供了可乘之机。通过监听MEC服务器上的用户卸载情况，反向推出用户的使用模式和所处的无线环境，甚至进步推断出用户所处的大致地理位置。这对于那些对自身信息隐私性十分在乎的用户而言，MEC服务便不再是他们的首选。如何保障用户隐私的同时规划有效卸载策略是边缘计算领域亟待解决的一个问题。
发明内容
本发明提供了提供一种面向用户隐私保护的边缘计算卸载方法，以解决用户卸载过程中隐私泄露的问题。
为了实现本发明的目的，所采用的技术方案是：一种面向用户隐私保护的边缘计算卸载方法，包括以下步骤：
S1，基于用户卸载任务及卸载频率定义隐私量概念，并制定隐私约束；
S2，通过对边缘计算服务器基站下所有用户的卸载概率进行抑制和泛化处理，构建隐私保护模型；
S3，联合考虑用户与边缘节点之间的信道状态构建卸载模型；
S4，计算不同卸载策略下边缘节点场景内多个用户构成系统的计算速率，作为神经网络的目标函数；
S5，计算不同卸载策略对应的目标用户计算时延及累计隐私量，动态优化卸载策略，选择隐私约束范围内系统计算速率最优的卸载策略，下发到用户终端设备执行。
作为本发明的优化方案，步骤S1的具体实现步骤包括：
S1-1、根据目标用户的计算任务卸载概率相比于该任务所有用户平均卸载概率的显著性定义目标用户卸载某种类型任务所包含的隐私量；
S1-2、根据用户在一段时间范围内的卸载任务种类及卸载模式，计算用户在边缘节点的累计隐私量作为隐私约束。
作为本发明的优化方案，步骤S2所述构建隐私保护模型具体包括：
S2-1、统计边缘节点范围内多个用户不同种类计算任务的卸载概率；
S2-2、引入k-匿名模型，对用户的卸载频率进行抑制和泛化处理；
S2-3、将卸载特征相似的用户划分到同一分组中，使得至少存在用k个用户表现为同样的卸载特征。
作为本发明的优化方案，步骤S3所述构建卸载模型具体包括：
S3-1、本地计算模式：单位时隙产生的计算任务全部由用户终端设备处理；
S3-2、计算卸载模式：单位时隙产生的计算任务全部卸载到边缘节点处理并返回处理结果。
作为本发明的优化方案，场景中的用户终端具备无线充电功能，本地计算模式和计算卸载模式加入了单位时隙充电与本地计算或计算卸载的时间分配问题。
作为本发明的优化方案，步骤S4的具体实现步骤包括：
S4-1、将用户与边缘节点间信道增益状态作为神经网络输入；
S4-2、使用训练策略，初期随机获得多用户卸载策略；
S4-3、将系统计算速率作为强化学习目标函数，训练优化卸载策略。
作为本发明的优化方案，步骤S4-3计算边缘节点范围内多个用户构成的系统的计算速率时，添加了用户权重系数，从而实现针对不同用户的个性化优化目标。
作为本发明的优化方案，步骤S5所述动态优化卸载策略具体包括：
S5-1、根据隐私量定义及卸载策略计算用户在边缘节点的累计隐私量；
S5-2、根据k-匿名得到的隐私数据表计算匿名精度；
S5-3、根据卸载策略对应每个时隙的卸载动作得出计算时延；
S5-4、根据隐私约束调整卸载策略部分时隙的卸载决策。
作为本发明的优化方案，步骤S5-2采用最小k-匿名方法，计算不同k值对应生产隐私数据表的匿名精度，选择用户能接受匿名精度下的最小化匿名泛化。
作为本发明的优化方案，步骤S5-4根据累计隐私量约束，调整当前时隙的卸载策略，并生成虚拟任务，降低用户在边缘节点的累计隐私量，为后续的正常卸载提供准备。
本发明具有积极的效果：1）本发明在边缘计算任务卸载中考虑用户的位置隐私和使用习惯隐私，利用k-匿名来抑制和泛化用户卸载频率特征，在不确定卸载节点可信度的情况下结合考虑累计隐私量，此方法避免了将用户卸载习惯直接暴露给边缘节点以及降低了被恶意监听者识别身份的风险。
2）本发明在优化卸载策略时，综合考虑了节点范围内多个用户的信道增益状态及计算速率，同时允许为目标用户增设权重系数，实现个性化的卸载策略优化。
3）相比于传统的云计算，边缘计算节点里用户设备更近，可以减少数据传输时延，提升应用程序运行速度，节约用户终端设备能耗，提升用户服务体验。使用深度强化学习训练得到卸载策略，充分考虑用户隐私保护、匿名精度和用户终端能耗分配情况，以最大化系统计算速率为目标，得出最优卸载策略，使得边缘云计算的性能大幅提升。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图，其中：
图1是本发明的流程图；
图2是本发明适用场景示意图；
图3是本发明的单位时隙时分复用图；
图4是本发明的深度强化学习模型图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
如图1所示，本发明公开了一种面向用户隐私保护的边缘计算卸载方法，适用的场景模型如图2所示，包括以下步骤：
S1，基于用户卸载任务及卸载频率定义隐私量概念，并制定隐私约束；
步骤S1的具体实现步骤包括：
S1-1、根据目标用户的计算任务卸载概率相比于该任务所有用户平均卸载概率的显著性定义目标用户卸载某种类型任务所包含的隐私量；
;
其中：T(t)表示时隙T产生的卸载任务，表示用户A卸载任务T(t)的概率，表示所有用户卸载任务T(t)的平均概率，q(t)表示用户卸载任务T(t)所泄露的隐私量。
S1-2、根据用户在一段时间范围内的卸载任务种类及卸载模式，计算用户在边缘节点的累计隐私量作为隐私约束。
隐私约束表现为边缘节点的累计隐私量。
;
其中：I MEC (i)={0,1}表示用户在时隙i的任务卸载情况(0表示不卸载，1表示卸载)，Q(t)表示累计隐私量，q(i)表示当前时隙用户卸载的计算任务所包含的隐私量(即S1-1)。
S2，通过对边缘计算服务器基站下所有用户的卸载概率进行抑制和泛化处理，构建隐私保护模型。
步骤S2所述构建隐私保护模型具体包括：S2-1、统计边缘节点范围内多个用户不同种类计算任务的卸载概率；
S2-2、引入k-匿名模型，对用户的卸载频率进行抑制和泛化处理；主要包括：对单位时间内MEC服务器覆盖的N个用户的计算任务卸载概率进行抑制泛化处理。
S2-3、将卸载特征相似的用户划分到同一分组中，使得至少存在用k个用户表现为同样的卸载特征。即将卸载概率特征相似的用户划分到同一分组中，满足目标用户的卸载频率至少与同组的k-1个用户的卸载频率特征相同，使得恶意监听者无法区分目标用户。使用等价组内的中位数代替所有同组用户的卸载概率，可以实现降低累计隐私量的效果。
S3，联合考虑用户与边缘节点之间的信道状态构建卸载模型；
如图3所示，考虑到用户无线终端具备无线充电的能力，采用时分多址技术将单位时隙T划分为多个部分，其中aT用作无线充电(，a表示所有用户无线充电在当前时隙T的时间占比)；/>用作MEC服务器覆盖范围内第i个用户进行计算任务卸载(，/>表示第i个用户在当前时隙T用于卸载的时间占比)。
步骤S3所述构建卸载模型具体包括：
S3-1、本地计算模式：单位时隙产生的计算任务全部由用户终端设备处理；当用户设备与MEC基站之间的信道条件较差时，无线用户设备选择将产生的计算任务在本地设备上处理。
;
其中：表示计算能效系数，f i 表示终端设备处理器计算速度(cycle/second)，t i 表示单位时隙用于本地计算的时间，ϕ表示终端的CPU计算每比特所需的机器指令周期数，E i 表示用户i单位时隙所收集的能量，为了处理尽可能多的计算任务，用户终端收集的能量全部用于计算，及最优时间/>，最优处理器计算速度/>，因此可以得出本地计算速率为：
;
其中：表示单位时间内MEC服务器与第i个用户间的信道增益，μ表示能量收集效率，P表示服务器无线充电发射功率L表示单签时隙用户的计算模式为本地计算模式(Local)。
S3-2、计算卸载模式：单位时隙产生的计算任务全部卸载到边缘节点处理并返回处理结果。
为实现系统计算速率最大化，将收集的能量E i 全部用于任务卸载，根据能量收集效率和服务器无线充电发射功率可得：;
此时卸载功率为：;
根据香农公式可以得到卸载速率为：;
其中：B表示信道带宽，表示当前时隙用户的计算模式为卸载模式(Offloading)，v u 表示通讯损耗系数，/>表示信道内部的高斯噪声功率。
S4，计算不同卸载策略下边缘节点场景内多个用户构成系统的计算速率，作为神经网络的目标函数；
S4-1、将用户与边缘节点间信道增益状态作为神经网络输入；
S4-2、使用训练策略，初期随机获得多用户卸载策略；
S4-3、将系统计算速率作为强化学习目标函数，训练优化卸载策略。
实施时，如图4所示，深度强化学习模型部分主要包含：首先，将用户与MEC基站间的信道增益状态作为初始输入，初期采用训练策略，随机获得不同的卸载策略。根据已知的卸载策略计算当前时隙下MEC基站覆盖范围内的所有用户的计算速率，作为神经网络的优化目标函数，即：/>;
其中：h表示用户与MEC基站间的信道增益状态，x表示当前所有用户的卸载策略，x i 为第i个用户的卸载决策(x i ∈{0，1}，0表示本地处理，1表示卸载处理)，表示用户单位时隙内计算卸载时间的占比，/>为第i个用户当前时隙用于计算卸载的时间在整个时隙的占比，a为每个时隙无线充电时间的占比，w i 为第i个用户的权重系数。
S5，计算不同卸载策略对应的目标用户计算时延及累计隐私量，动态优化卸载策略，选择隐私约束范围内系统计算速率最优的卸载策略，下发到用户终端设备执行。
步骤S5所述动态优化卸载策略具体包括：
S5-1、根据隐私量定义及卸载策略计算用户在边缘节点的累计隐私量；
S5-2、根据k-匿名得到的隐私数据表计算匿名精度。
S5-3、根据卸载策略对应每个时隙的卸载动作得出计算时延。
S5-4、根据隐私约束调整卸载策略部分时隙的卸载决策。
步骤S5-2采用最小k-匿名方法，计算不同k值对应生产隐私数据表的匿名精度，选择用户能接受匿名精度下的最小化匿名泛化。步骤S5-4根据累计隐私量约束，调整当前时隙的卸载策略，并生成虚拟任务，降低用户在边缘节点的累计隐私量，为后续的正常卸载提供准备。根据隐私量及累计隐私量的定义，结合用户当前时隙的卸载策略，计算用户在MEC服务器的累计隐私量，当累计隐私量超过预设的隐私阈值Qtarget时，表示用户隐私信息存在泄露风险。当用户存在隐私泄露的风险时，将当前时隙的卸载策略调整为本地计算模式，同时，在服务器生成虚拟计算任务（卸载概率低于MEC基站范围内用户平均卸载概率的计算任务），以到达降低用户在MEC节点的累计隐私量，为后续的正常卸载做好准备。该面向用户隐私保护的边缘计算卸载方法，不仅能够保护用户的位置隐私和使用习惯隐私；而且可以通过权重系数个性化的制定卸载策略优化。在满足保护用户隐私的条件约束下最大化MEC节点范围内的系统计算速率，大幅提升了边缘云计算的性能。
以上所述仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种面向用户隐私保护的边缘计算卸载方法，其特征在于，包括以下步骤：
S1，基于用户卸载任务及卸载频率定义隐私量概念，并制定隐私约束；
S2，通过对边缘计算服务器基站下所有用户的卸载概率进行抑制和泛化处理，构建隐私保护模型；
S3，联合考虑用户与边缘节点之间的信道状态构建卸载模型；
S4，计算不同卸载策略下边缘节点场景内多个用户构成系统的计算速率，作为神经网络的目标函数；
S5，计算不同卸载策略对应的目标用户计算时延及累计隐私量，动态优化卸载策略，选择隐私约束范围内系统计算速率最优的卸载策略，下发到用户终端设备执行。
2.根据权利要求1所述的一种面向用户隐私保护的边缘计算卸载方法，其特征在于，步骤S1的具体实现步骤包括：
S1-1、根据目标用户的计算任务卸载概率相比于该任务所有用户平均卸载概率的显著性定义目标用户卸载某种类型任务所包含的隐私量；
S1-2、根据用户在一段时间范围内的卸载任务种类及卸载模式，计算用户在边缘节点的累计隐私量作为隐私约束。
3.根据权利要求1所述的一种面向用户隐私保护的边缘计算卸载方法，其特征在于，步骤S2所述构建隐私保护模型具体包括：
S2-1、统计边缘节点范围内多个用户不同种类计算任务的卸载概率；
S2-2、引入k-匿名模型，对用户的卸载频率进行抑制和泛化处理；
S2-3、将卸载特征相似的用户划分到同一分组中，使得至少存在用k个用户表现为同样的卸载特征。
4.根据权利要求1所述的一种面向用户隐私保护的边缘计算卸载方法，其特征在于，步骤S3所述构建卸载模型具体包括：
S3-1、本地计算模式：单位时隙产生的计算任务全部由用户终端设备处理；
S3-2、计算卸载模式：单位时隙产生的计算任务全部卸载到边缘节点处理并返回处理结果。
5.根据权利要求4所述的一种面向用户隐私保护的边缘计算卸载方法，其特征在于，场景中的用户终端具备无线充电功能，本地计算模式和计算卸载模式加入了单位时隙充电与本地计算或计算卸载的时间分配问题。
6.根据权利要求1所述的一种面向用户隐私保护的边缘计算卸载方法，其特征在于，步骤S4的具体实现步骤包括：
S4-1、将用户与边缘节点间信道增益状态作为神经网络输入；
S4-2、使用训练策略，初期随机获得多用户卸载策略；
S4-3、将系统计算速率作为强化学习目标函数，训练优化卸载策略。
7.根据权利要求6所述的一种面向用户隐私保护的边缘计算卸载方法，其特征在于，步骤S4-3计算边缘节点范围内多个用户构成的系统的计算速率时，添加了用户权重系数，从而实现针对不同用户的个性化优化目标。
8.根据权利要求1所述的一种面向用户隐私保护的边缘计算卸载方法，其特征在于，步骤S5所述动态优化卸载策略具体包括：
S5-1、根据隐私量定义及卸载策略计算用户在边缘节点的累计隐私量；
S5-2、根据k-匿名得到的隐私数据表计算匿名精度；
S5-3、根据卸载策略对应每个时隙的卸载动作得出计算时延；
S5-4、根据隐私约束调整卸载策略部分时隙的卸载决策。
9.根据权利要求8所述的一种面向用户隐私保护的边缘计算卸载方法，其特征在于，步骤S5-2采用最小k-匿名方法，计算不同k值对应生产隐私数据表的匿名精度，选择用户能接受匿名精度下的最小化匿名泛化。
10.根据权利要求8所述的一种面向用户隐私保护的边缘计算卸载方法，其特征在于，步骤S5-4根据累计隐私量约束，调整当前时隙的卸载策略，并生成虚拟任务，降低用户在边缘节点的累计隐私量，为后续的正常卸载提供准备。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311467259.2A CN117202173A (zh) | 2023-11-07 | 2023-11-07 | 一种面向用户隐私保护的边缘计算卸载方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311467259.2A CN117202173A (zh) | 2023-11-07 | 2023-11-07 | 一种面向用户隐私保护的边缘计算卸载方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117202173A true CN117202173A (zh) | 2023-12-08 |
Family
ID=89001991
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311467259.2A Pending CN117202173A (zh) | 2023-11-07 | 2023-11-07 | 一种面向用户隐私保护的边缘计算卸载方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117202173A (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190034235A1 (en) * | 2017-12-28 | 2019-01-31 | Shao-Wen Yang | Privacy-preserving distributed visual data processing |
| CN114356545A (zh) * | 2021-12-07 | 2022-04-15 | 重庆邮电大学 | 一种面向隐私保护与能耗优化的任务卸载方法 |
| CN114528081A (zh) * | 2022-02-10 | 2022-05-24 | 绍兴文理学院 | 一种面向移动边缘计算用户隐私保护的任务卸载优化方法 |
| CN114968404A (zh) * | 2022-05-24 | 2022-08-30 | 武汉大学 | 一种位置隐私保护的计算任务分布式卸载方法 |
| US20220300618A1 (en) * | 2021-03-16 | 2022-09-22 | Accenture Global Solutions Limited | Privacy preserving cooperative learning in untrusted environments |
| CN115190474A (zh) * | 2022-07-21 | 2022-10-14 | 河海大学 | 一种面向海洋观监测传感网的隐私感知计算任务卸载方法 |
| US20230081937A1 (en) * | 2020-05-22 | 2023-03-16 | Huawei Technologies Co., Ltd. | Computation offloading method and communication apparatus |
| CN115913712A (zh) * | 2022-11-16 | 2023-04-04 | 湖州师范学院 | 基于多用户多接入点的任务卸载隐私保护系统及方法 |
| CN116149838A (zh) * | 2022-09-30 | 2023-05-23 | 中国人民解放军国防科技大学 | 云边端融合的隐私增强联邦学习系统 |
| CN116546021A (zh) * | 2023-06-12 | 2023-08-04 | 重庆邮电大学 | 一种移动边缘计算中具有隐私保护的智能体策略学习方法 |
| CN116669111A (zh) * | 2023-07-03 | 2023-08-29 | 重庆邮电大学 | 一种基于区块链的移动边缘计算任务卸载方法 |
-
2023
- 2023-11-07 CN CN202311467259.2A patent/CN117202173A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190034235A1 (en) * | 2017-12-28 | 2019-01-31 | Shao-Wen Yang | Privacy-preserving distributed visual data processing |
| US20230081937A1 (en) * | 2020-05-22 | 2023-03-16 | Huawei Technologies Co., Ltd. | Computation offloading method and communication apparatus |
| US20220300618A1 (en) * | 2021-03-16 | 2022-09-22 | Accenture Global Solutions Limited | Privacy preserving cooperative learning in untrusted environments |
| CN114356545A (zh) * | 2021-12-07 | 2022-04-15 | 重庆邮电大学 | 一种面向隐私保护与能耗优化的任务卸载方法 |
| CN114528081A (zh) * | 2022-02-10 | 2022-05-24 | 绍兴文理学院 | 一种面向移动边缘计算用户隐私保护的任务卸载优化方法 |
| CN114968404A (zh) * | 2022-05-24 | 2022-08-30 | 武汉大学 | 一种位置隐私保护的计算任务分布式卸载方法 |
| CN115190474A (zh) * | 2022-07-21 | 2022-10-14 | 河海大学 | 一种面向海洋观监测传感网的隐私感知计算任务卸载方法 |
| CN116149838A (zh) * | 2022-09-30 | 2023-05-23 | 中国人民解放军国防科技大学 | 云边端融合的隐私增强联邦学习系统 |
| CN115913712A (zh) * | 2022-11-16 | 2023-04-04 | 湖州师范学院 | 基于多用户多接入点的任务卸载隐私保护系统及方法 |
| CN116546021A (zh) * | 2023-06-12 | 2023-08-04 | 重庆邮电大学 | 一种移动边缘计算中具有隐私保护的智能体策略学习方法 |
| CN116669111A (zh) * | 2023-07-03 | 2023-08-29 | 重庆邮电大学 | 一种基于区块链的移动边缘计算任务卸载方法 |
Non-Patent Citations (2)
| Title |
|---|
| "《计算机科学》2018年第45卷总目次", 计算机科学, no. 12 * |
| 陈涛: "边缘计算场景中隐私保护卸载策略研究", 中国优秀硕士学位论文全文数据库信息科技辑, pages 2 - 3 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sheng et al. | Energy-efficient multiuser partial computation offloading with collaboration of terminals, radio access network, and edge server | |
| Hu et al. | Wireless powered cooperation-assisted mobile edge computing | |
| Jošilo et al. | Selfish decentralized computation offloading for mobile cloud computing in dense wireless networks | |
| He et al. | Peace: Privacy-preserving and cost-efficient task offloading for mobile-edge computing | |
| Ye et al. | Distributed resource allocation in device-to-device enhanced cellular networks | |
| Gupta et al. | Energy harvesting aided device-to-device communication underlaying the cellular downlink | |
| CN112052086B (zh) | 一种移动边缘计算网络中的多用户安全节能资源分配方法 | |
| CN110418416A (zh) | 移动边缘计算系统中基于多智能体强化学习的资源分配方法 | |
| Manglayev et al. | NOMA with imperfect SIC implementation | |
| CN111245539A (zh) | 一种基于noma的移动边缘计算网络高效资源分配方法 | |
| Alpcan et al. | Power control for multicell CDMA wireless networks: A team optimization approach | |
| Tang et al. | Energy efficient power allocation in cognitive radio network using coevolution chaotic particle swarm optimization | |
| CN111614419A (zh) | 一种基于noma的移动边缘计算网络任务高安全卸载资源分配方法 | |
| CN114968404B (zh) | 一种位置隐私保护的计算任务分布式卸载方法 | |
| CN112333702A (zh) | 一种基于安全noma移动边缘计算的延迟最小化的优化方法 | |
| Wu et al. | Power allocation and relay selection for energy efficient cooperation in wireless sensor networks with energy harvesting | |
| Chen et al. | Continuous power allocation strategies for sensing-based multiband spectrum sharing | |
| Xu et al. | Distributed power control for multiuser cognitive radio networks with quality of service and interference temperature constraints | |
| Niyato et al. | Competitive wireless energy transfer bidding: A game theoretic approach | |
| Nur et al. | Priority-based offloading and caching in mobile edge cloud | |
| Jyothi et al. | Optimized neural network model for attack detection in LTE network | |
| Xu et al. | Power allocation for cooperative jamming against a strategic eavesdropper over parallel channels | |
| Sun et al. | Non-cooperative game of effective channel capacity and security strength in vehicular networks | |
| Sun et al. | Privacy preserved secure offloading in the multi-access edge computing network | |
| CN117202173A (zh) | 一种面向用户隐私保护的边缘计算卸载方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20231208 |