CN117492856A - 一种金融物联网中信任评估的低延迟边缘计算卸载方法 - Google Patents
一种金融物联网中信任评估的低延迟边缘计算卸载方法 Download PDFInfo
- Publication number
- CN117492856A CN117492856A CN202311343668.1A CN202311343668A CN117492856A CN 117492856 A CN117492856 A CN 117492856A CN 202311343668 A CN202311343668 A CN 202311343668A CN 117492856 A CN117492856 A CN 117492856A
- Authority
- CN
- China
- Prior art keywords
- evaluation
- user
- task
- model
- computing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000011156 evaluation Methods 0.000 claims abstract description 168
- 238000013210 evaluation model Methods 0.000 claims abstract description 65
- 238000004364 calculation method Methods 0.000 claims abstract description 54
- 230000004044 response Effects 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000000638 solvent extraction Methods 0.000 claims description 10
- 238000005192 partition Methods 0.000 claims description 7
- 230000001934 delay Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 description 30
- 238000004422 calculation algorithm Methods 0.000 description 18
- 238000013135 deep learning Methods 0.000 description 16
- 238000005516 engineering process Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012854 evaluation process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 3
- 238000013136 deep learning model Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000003116 impacting effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012954 risk control Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- GEKLDGQKEZAPFZ-UHFFFAOYSA-N 2-(ethylamino)-1-(3-methylphenyl)propan-1-one Chemical compound CCNC(C)C(=O)C1=CC=CC(C)=C1 GEKLDGQKEZAPFZ-UHFFFAOYSA-N 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本申请提供一种金融物联网中信任评估的低延迟边缘计算卸载方法，该方法包括：响应于接收到评估请求信号，向用户端发送预评估模型；用户端根据接收到的预评估模型，采集用户信息；将采集的用户信息输入预评估模型中进行预评估，获得用户预评估结果，并根据用户预评估结果，为用户的评估任务匹配相应的评估模型；根据评估模型，对用户端的评估任务进行计算；其中，对用户端的评估任务进行计算的方法包括：判断评估任务是否需要卸载到不同的边缘计算节点进行计算，若是，则执行低延迟边缘计算卸载方法，否则，在用户端计算评估任务。本申请避免个人信用评估时用户个人隐私泄露，并为金融物联网的信任评估提供有效计算卸载方案以确保低延迟。
Description
技术领域
本申请涉及数据处理技术领域，尤其涉及一种金融物联网中信任评估的低延迟边缘计算卸载方法。
背景技术
随着经济的发展，人们的消费心理和消费观念发生了巨大变化。个人消费贷款、个人住房贷款、信用卡等个人信贷业务逐渐成为金融企业重要的利润增长点。因此，为避免部分用户因恶意信用欺诈而造成巨大的财务损失，金融企业需要综合考虑风险控制，风险控制依赖于用户的现有数据来评估用户的信用。使用合理的评估方法对影响个人信用的定性因素进行了合理的量化技术，并对个人信用评级行为进行综合评价。传统的个人信用评估方法主要基于个人经验，如信用记分卡。然而，随着大数据时代的到来，金融行业的数据量逐渐增加，数据类型也随之爆发。仅仅依靠个人经验来处理如此庞大的数据量具有挑战性，因此引入人工智能技术来有效评估信用。近年来，以深度学习为代表的人工智能技术与大数据、云计算等技术相结合，解决了高维、复杂数据的分析问题。它解决了传统的个人信用评估模型大多依赖于人为设计的特征而导致的数据分析结果准确性低、波动性大的问题。因此，利用深度学习构建个人信用评估模型可以在很大程度上弥补传统信用评估模型在信用评估准确性方面的不足，从而有效降低风险。
但是，由于移动网络的不稳定性和网络带宽的限制，基于云的深度学习模型可能会产生较大的响应延迟，从而严重影响用户体验。同时，深度学习框架下的模型需要更高的设备和存储容量，无法部署在资源受限的移动设备(手机，平板电脑等)中。因此，为了解决云中处理响应延迟的问题。并充分利用边缘设备和云服务器的自由计算和存储资源，本专利提出了一种任务分区机制，该机制可用于通过任务分区和算法分配来实现深度学习模型计算任务的正常执行，并将分区任务部署到相应的服务器。深度学习框架下的个人信用评估模型可以更好地应对海量、多样的个人信息，充分利用免费的资源，快速实现对用户的资质评估，为用户提供个性化、定制化的服务。但在集中处理的云计算环境下，深度学习框架下的个人信用评估要求用户将个人信息上传至金融企业数据服务中心存储，这使得用户无法控制个人信息的去向，增加了对数据安全的担忧。边缘计算的快速发展使得在评估过程中解决上述保护用户隐私和安全的挑战成为可能。作为一种远离核心网络的新计算范例，边缘计算使用灵活的任务卸载和资源分配机制，可以在边缘计算节点处对源数据进行本地处理。利用边缘计算模型解决评估过程中的用户信息安全问题，即用户不再需要将个人信息上传到金融公司的数据服务器，评估过程在距离用户较近的边缘计算节点进行，这不仅可以快速完成评估，还可以更有效地保护用户的私人数据。与传统云计算相比，边缘计算将部分或全部计算任务从云端卸载到边缘计算节点，在边缘计算节点处处理数据，避免将海量数据上传到云中心，造成网络拥塞。
深度学习是一种基于人工神经网络的机器学习方法，它通过多层次的神经网络模型来学习数据中的特征和规律。深度学习的核心思想是通过多层次的非线性变换，从原始数据中抽取出更高级别的抽象特征来进行分类、识别、预测等任务。深度学习的主要特点包括：
1.端到端的学习：深度学习可以直接从原始数据中进行端到端的学习，无需手动提取特征。
2.自适应性：深度学习可以自适应地学习数据中的特征和规律，不需要预先设定特定的模型结构。
3.非线性变换：深度学习通过多层次的非线性变换，能够抽取出更高级别的抽象特征。
4.大数据支持：深度学习需要大量的数据来进行训练，但在大数据时代，这种需求得到了满足。
深度学习在金融领域的个人信用评估中，可以通过对大量的历史数据进行学习，自动地识别和提取出与个人信用相关的特征和规律，从而实现更加准确和客观的信用评估。
移动边缘计算(Mobile Edge Computing，MEC)是一种新型的分布式计算模式，它将计算和存储资源放置在尽可能靠近用户的边缘网络设备上，例如智能手机、路由器和基站等。这些设备可以为移动应用程序提供低延迟和高带宽的计算和存储资源，从而提高应用程序的性能和用户体验。
MEC技术的核心是在网络边缘部署轻量级的计算节点，将云端的计算、存储和网络资源向网络的边缘部署，使得用户可以更快地访问这些资源。MEC技术的优势在于可以实现低延迟、高可靠性和高带宽的网络连接，从而满足移动应用程序对实时性、安全性和数据隐私的需求。
MEC技术的应用范围非常广泛，包括虚拟现实、增强现实、自动驾驶、智能医疗、智能家居等领域。MEC技术可以提供更好的用户体验和服务质量，同时也能够降低运营成本和网络带宽压力，因此被广泛认为是未来移动互联网发展的重要方向之一。
现有的方案1：X.Chen,Y.Yuan,L.Lu and J.Yang,"AMultidimensional TrustEvaluation Framework for Online Social Networks Based on Machine Learning,"inIEEEAccess,vol.7,pp.175499-175513,2019,doi:10.1109/ACCESS.2019.2957779.提出了一种基于机器学习的信任评估框架，旨在通过考虑多个与信任相关的用户特征和标准，促进人类决策。文章将用户特征分为四组，包括基于配置文件的特征、基于行为的特征、基于反馈的特征和基于链接的特征，并设计了一种轻量级的特征选择方法来评估每个特征的有效性，并从用户的在线记录中找出特征的最佳组合。文章将信任分析形式化为分类问题以简化验证过程，并比较了该特征和方法的性能与现有研究中提出的其他四个特征集和四种传统的信任评估方法的性能。
现有的技术方案2:L.Lin,X.Liao,H.Jin and P.Li,"Computation OffloadingToward Edge Computing,"in Proceedings of the IEEE,vol.107,no.8,pp.1584-1607,Aug.2019,doi:10.1109/JPROC.2019.2922285.这篇文章主要介绍了移动云计算(MCC)的问题和边缘计算的出现，以及边缘计算在计算卸载方面的应用和发展趋势。文章阐述了移动设备计算资源和电池的限制，导致需要更多计算能力的智能应用程序无法在设备上运行，从而采用计算卸载到云，但远离终端设备的云计算会导致高延迟和QoE下降。为解决这个问题，边缘计算将云计算延伸到网络边缘，提供超低延迟和高带宽的服务。文章从应用程序分区、任务分配、资源管理和分布式执行方面回顾了计算卸载的最新研究，并突出了边缘计算的特点。
上述现有技术存在缺点如下：
现有的技术缺点1:传统的个人信用评估算法通常是基于统计学和机器学习技术，采用线性回归、逻辑回归、决策树等算法进行建模。这些算法使用手工选择的特征和规则来预测个人信用分数，需要对数据进行预处理和特征工程，例如对缺失值和异常值进行处理，选择有意义的特征和构建复杂的规则。传统算法缺乏对数据的自适应学习能力，所以需要大量的人工干预和调整。
现有的技术缺点2:由于移动网络的不稳定性和网络带宽的限制，基于云的深度学习模型可能会有较大的响应延迟，严重影响用户体验。同时，深度学习框架下的模型需要更高的设备和存储容量，无法部署在资源受限的移动设备。
现有的技术缺点3:在集中处理云计算环境下，深度学习框架下的个人信息评估需要用户将个人信息上传到金融企业的数据服务中心进行存储，使得客服无法控制个人信息的去向，增加了对数据安全的担忧。
因此，目前亟需解决的技术问题是：如何避免传统个人信用评估方案存在的用户个人隐私泄露问题，提出一种基于边缘计算的个人信用智能评估方案，用于金融风险控制。此外，针对计算资源有限，缺乏有效计算卸载方案以确保低延迟，如何实现低延迟的边缘计算卸载方案，用于金融物联网的信任评估，也是目前需要解决的技术问题。
发明内容
本申请的目的在于提供一种金融物联网中信任评估的低延迟边缘计算卸载方法，避免个人信用评估时用户个人隐私泄露，并为金融物联网的信任评估提供有效计算卸载方案以确保低延迟。
为达到上述目的，本申请提供一种金融物联网中信任评估的低延迟边缘计算卸载方法，其特征在于，该方法包括：响应于接收到评估请求信号，向用户端发送预评估模型；用户端根据接收到的预评估模型，采集用户信息；将采集的用户信息输入预评估模型中进行预评估，获得用户预评估结果，并根据用户预评估结果，为用户的评估任务匹配相应的评估模型；根据评估模型，对用户端的评估任务进行计算；其中，对用户端的评估任务进行计算的方法包括：判断评估任务是否需要卸载到不同的边缘计算节点进行计算，若是，则执行低延迟边缘计算卸载方法，否则，在用户端计算评估任务。
如上所述的金融物联网中信任评估的低延迟边缘计算卸载方法，其中，低延迟边缘计算卸载方法包括如下步骤：对评估任务进行分区；对分区的评估任务进行卸载决策，获取最优卸载策略；根据最优卸载策略，将需要卸载的评估任务和评估模型传输给对应的边缘计算节点；边缘计算节点执行评估任务，获取评估结果；边缘计算节点将评估结果反馈给用户端。
如上所述的金融物联网中信任评估的低延迟边缘计算卸载方法，其中，获取最优卸载策略的方法包括如下步骤：评测服务时延；根据服务时延，构建基于边缘计算的个人信用评估的时延模型；在时延模型小于时延期限的条件下，获取用户评估任务对应的最优卸载策略。
如上所述的金融物联网中信任评估的低延迟边缘计算卸载方法，其中，评测服务时延包括两部分，一部分为计算模型传输时延，另一部分为计算卸载延迟。
如上所述的金融物联网中信任评估的低延迟边缘计算卸载方法，其中，对用户端的评估任务进行计算包括以下三种计算模式：本地边缘计算服务器计算评估任务、本地边缘计算服务器与空闲边缘计算混合计算模式或本地边缘计算服务器和空闲用户端混合计算模式。
如上所述的金融物联网中信任评估的低延迟边缘计算卸载方法，其中，构建基于边缘计算的个人信用评估的时延模型如下：
其中，Tu表示时延模型；L{·}为函数；表示卸载策略；tx、ty、tz分别表示在本地执行计算任务的时延、MEC服务器任务卸载的计算时延、混合模式下的任务卸载的计算时延；表示用户是否与第N个边缘计算节点相关联。
如上所述的金融物联网中信任评估的低延迟边缘计算卸载方法，其中，响应于接收到评估请求信号，向用户端发送预评估模型的方法包括：当用户端有信用评估要求时，用户端向远程服务器发送评估请求信号；远程服务器响应于接收到评估请求信号，根据用户端发起的评估请求类型向用户端发送相应的预评估模型。
如上所述的金融物联网中信任评估的低延迟边缘计算卸载方法，其中，将采集的用户信息输入预评估模型中进行预评估，获得用户预评估结果，并根据用户预评估结果，为用户的评估任务匹配相应的评估模型的方法包括如下步骤：用户端加载预评估模型，将采集的用户信息输入预评估模型中；根据预评估模型给出的评分对用户进行评分，获得用户预评估结果；根据用户预评估结果，选择相应的评估模型。
如上所述的金融物联网中信任评估的低延迟边缘计算卸载方法，其中，获取用户评估任务对应的最优卸载策略的方法包括：计算用户矩阵选择相应卸载策略的计算能力；根据计算的用户矩阵相应卸载策略的计算能力，建立目标优化问题，并获得最优卸载策略。
如上所述的金融物联网中信任评估的低延迟边缘计算卸载方法，其中，边缘计算节点执行评估任务，获取评估结果，并将评估结果进行缓存。
本申请实现的有益效果如下：
(1)、本申请提出的信任评估方法用于评估个人信用的有效性，能更好更准确地对用户信用做出评估，在金融这一领域能更好地保护用户的隐私安全。
(2)、本申请提出的低延迟边缘计算卸载方法显著地降低了服务延迟。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种金融物联网中信任评估方法流程图。
图2为本申请实施例的卸载方法流程图。
图3为本申请实施例的一种低延迟边缘计算卸载方法流程图。
图4为本申请实施例的金融物联网中信任评估的低延迟边缘计算卸载方法流程图。
图5为几种算法服务延迟的累计分布函数示意图。
图6为归一化效应和用户数量的关系示意图。
图7为归一化效应与MEC节点计算容量的关系示意图。
图8为四种算法的复杂度。
图9为计算任务数据大小对延迟的影响示意图。
图10为延迟期限效用对延迟违规的影响示意图。
图11为系统模型结构示意图。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
如图1和4所示，本申请提供一种金融物联网中信任评估方法，该方法包括：
步骤S1，响应于接收到评估请求信号，向用户端发送预评估模型。
作为本发明的具体实施例，响应于接收到评估请求信号，向用户端发送预评估模型的方法包括：当用户端有信用评估要求时，用户端通过终端设备(如手机、平板电脑等)向财务公司的远程服务器发送评估请求信号，远程服务器响应于接收到评估请求信号，根据用户端发起的评估请求类型向用户端发送相应的预评估模型。
其中，评估请求信号中包括评估请求类型。
其中，预评估模型包括用于评估的多个数据维度。数据维度如个人基本信息、个人资产状况、信用记录、家庭状况、收入水平和信用报告等。
步骤S2，用户端根据接收到的预评估模型，采集用户信息。
用户端根据接收到的预评估模型，采集用户信息。用户信息为用户的个人信息)。
步骤S3，将采集的用户信息输入预评估模型中进行预评估，获得用户预评估结果，并根据用户预评估结果，为用户的评估任务匹配相应的评估模型。
步骤S3包括如下步骤：
步骤S310，用户端加载预评估模型，将采集的用户信息输入预评估模型中。
具体的，用户端加载预评估模型，将采集的用户信息输入预评估模型中，从而对用户进行预评估，以确定相应的评估模型。预评估模型中给出用于评估的多个数据维度的评分表，评分表中包含多个数据维度的数据范围与对应的评分，将采集到的用户信息与接收到的预评估模型给出的评分表中的数据进行比较，从而获得用户预评估结果。
步骤S320，根据预评估模型给出的评分对用户进行评分，获得用户预评估结果。
其中，用户预评估结果包括用户评分和信用评价类型。
其中，用户评分以百分比为基准，如果用户评分在90分以上，则用户评分为优秀；如果用户评分在70分以上，则用户评分为良好；如果用户评分在60分以上，则用户评分为中等；否则，如果用户得分低于60，则评级较差。
需要说明的是，根据用户评分和信用评价类型选择相应等级的评估模型，对于用户评分为优秀或良好，相应的评估模型相对简单，可以直接在用户端进行计算；其他等级的评估模型较为复杂，并且由于受用户端资源和精力的限制，难以适应评估过程，需要将评估任务卸载到边缘计算节点进行处理。
步骤S330，根据用户预评估结果，选择相应的评估模型。
具体的，根据用户评分和信用评价类型选择相应的评估模型。
步骤S4，根据评估模型，对用户端的评估任务进行计算。
其中，评估任务在用户端进行计算或卸载到不同的边缘计算节点进行计算。
作为本发明的具体实施例，对用户端的评估任务进行计算的方法包括：判断评估任务是否需要卸载到不同的边缘计算节点进行计算，若是，则执行低延迟边缘计算卸载方法，否则，在用户端计算评估任务。
作为本发明的具体实施例，根据评估模型，对用户端的评估任务进行计算还包括：根据评估模型，判断评估任务是否在用户端执行，若是，则在用户端执行，否则，将评估任务卸载到边缘计算节点进行计算。
其中，用户端根据评估模型，确定是否对相应的评估任务进行分区。若评估模型相对简单，则直接在用户端进行计算，无需对相应的评估任务进行分区，若评估模型较为复杂，则对相应的评估任务进行分区，以将评估任务卸载到不同的MEC节点(边缘计算节点)进行计算。
通过评估模型对用户信息进行分析。在整个评估过程中，财务公司不收集用户的个人信息，用户的个人信息只保留在用户端，使用户的个人信息得到有效保护。
如图2和4所示，当评估任务卸载到边缘计算节点进行计算时，卸载方法包括以下步骤：
步骤S410，用户端选择可用的边缘计算节点。
作为本发明的具体实施例，用户端选择可用的边缘计算节点，可以是核心网中的其他边缘计算节点，也可以是位于靠近用户侧的边缘服务器，用于处理以后卸载的评估任务。
步骤S420，对评估任务进行分区。
作为本发明的具体实施例，对评估任务进行分区，在分区过程中尽可能保持分区后，评估模型各部分的功能完整性，保证评估的准确性，便于后续卸载。
步骤S430，对分区的评估任务进行卸载决策，获取最优卸载策略。
需要解释的是，卸载决策目的是确定是否需要卸载分区的评估任务。卸载决策需要共同考虑每个分区评估任务的估计运行时间。同时，在用户端显示每个评估任务对应的估计运行时间，然后根据用户操作确定是否需要卸载每个评估任务。为了确保数据安全，此步骤允许手动设置卸载部分，以确保用户的私有数据在用户端。
步骤S440，根据最优卸载策略，将需要卸载的评估任务和评估模型传输给对应的边缘计算节点。
具体的，根据卸载决策，将需要卸载的评估任务和评估模型通过用户端的接入网传输到MEC节点。
其中，边缘计算节点属于用户端选择的可用的边缘计算节点。
步骤S450，边缘计算节点执行评估任务，获取评估结果。
具体的，MEC节点(边缘计算节点)为用户端卸载的评估任务执行计算后，获取评估结果，并将评估结果缓存。为了提高MEC节点响应速度并避免重复计算，边缘计算节点根据评估任务类型生成评估任务计算结果缓存。因此，首先检查边缘计算节点是否具有与评估任务过程相对应的计算结果，如果是，则调用缓存的结果；否则，评估任务将在MEC节点上执行。
步骤S460，边缘计算节点将评估结果反馈给用户端。
具体的，边缘计算节点将对评估任务的评估计算结果传回给用户端。此时，计算卸载过程结束，并且用户端与云断开，使得用户资源不再被进一步占用。
作为本发明的具体实施例，评估任务计算完成后，用户端将显示边缘计算节点评估获得的结果，用户端可以根据该结果相应地处理所需的业务，并卸载评估任务的权限，以便用户可以清楚地知道个人信息的轨迹。整个评估过程提高用户个人数据的隐私性，也使用户的体验更好。
如图3所示，当需要将评估任务卸载到不同的边缘计算节点进行计算的过程中，本申请提供一种低延迟边缘计算卸载方法，用于获取最优卸载策略，获取最优卸载策略方法包括如下步骤：
步骤Y1，评测服务时延。
评测服务时延包括两部分，一部分为计算模型传输时延，另一部分为计算卸载延迟。
步骤Y1包括如下步骤：
步骤Y110，计算模型传输时延。
具体的，设用户U＝{1,2,…U}，评估模型M＝{1,2…M}，5G基站S＝{1,2,…S}，边缘计算服务N＝{1,2…N}。Bs,u和βs,u分别表示为用户基站关联的带宽和平均信噪比。另外，从基带池到云服务的前端和从基站池到云服务的回程的数据传输速率分别表示为di和dj。
作为本发明的具体实施例，模型传输时延的计算方法包括如下：
从云服务器到基带池的比特数据的传输时延的计算公式如下：
其中，ti表示云服务器到基带池的比特数据的传输时延；U表示用户总个数；di表示从基带池到云服务的前端数据传输速率；
从基带池到基站的比特数据的传输时延的计算公式如下：
其中，tj表示从基带池到基站的比特数据的传输时延；dj表示从基站池到云服务的回程的数据传输速率；
从基站到用户端的比特数据的传输时延的计算公式如下：
其中，tk表示从基站到用户端的比特数据的传输时延；ts,u表示用户基站关联的带宽；βs,u表示用户基站关联的平均信噪比；log为函数。
由于从核心网边缘节点到基带池的传输时延低于从云服务器到基带池的传输时延，因此，从核心网边缘节点到基带池的传输时延表示为：
te＝Δ·ti,0<Δ<1； (4)
其中，te表示从核心网边缘节点到基带池的传输时延；Δ表示te和ti的比例系数。
从用户端到核心网MEC的数据传输时延表示为：
Eu(te+tj+tk)； (5)
其中，Eu表示为用户u的数据量，te表示从核心网边缘节点到基带池的传输时延；tj表示从基带池到基站的比特数据的传输时延；tk表示从基站到用户端的比特数据的传输时延；
从C-RAN边缘节点到用户端的数据传输时延表示为：
Eu(tj+tk)； (6)
其中，Eu表示为用户u的数据量，tj表示从基带池到基站的比特数据的传输时延；tk表示从基站到用户端的比特数据的传输时延。
从服务器到MEC的模型传输延迟定义为：
En·ti； (7)
其中，En表示服务器到MEC节点的模型数据量；ti表示云服务器到基带池的比特数据的传输时延。
步骤Y120，计算卸载延迟。
作为本发明的具体实施例，计算卸载延迟主要包括两部分：一是计算任务的计算延迟；另一部分是卸载任务的传输延迟和结果数据的返回。
具体的，将计算任务的数据量和计算任务返回的结果的数据量分别定义为另外，用户端和边缘节点的计算能力分别表示为Iu、In。表示用户端u使用第m个本地MEC服务器计算任务的时延系数，其中 表示计算任务所需的CPU周期。
作为本发明的具体实施例，本发明对用户端的评估任务进行计算包括以下三种计算模式：1)本地MEC(边缘计算)服务器计算评估任务；2)本地MEC(边缘计算)服务器与空闲MEC边缘计算节点计算卸载的混合计算模式；3)本地MEC和空闲用户端计算卸载的混合计算模式。因此，定义本地MEC时延为ta；本地MEC与空闲MEC计算卸载时延为tb；本地MEC和空闲用户端计算卸载时延为tc。
作为本发明的具体实施例，ta、tb和tc的计算方法如下：
其中，ta表示本地MEC时延；表示计算任务所需的CPU周期；In表示边缘节点的计算能力。
其中，tb表示本地MEC与空闲MEC计算卸载时延；表示用户端u使用第m个本地MEC服务器计算任务的时延系数；In表示边缘节点的计算能力；表示边缘节点更新之后的计算能力。
其中，tc表示本地MEC和空闲用户移动的终端计算卸载时延；Iu表示用户端的计算能力。
令tx、ty、tz分别表示在本地执行计算任务的时延，MEC服务器任务卸载的计算时延以及混合模式下的任务卸载的计算时延。tx、ty、tz的计算方法如下：
tx＝Eu(tj+tk)+ta； (11)
其中，Eu表示为用户u的数据量；tj表示从基带池到基站的比特数据的传输时延；tk表示从基站到用户端的比特数据的传输时延；ta表示本地MEC时延。
其中，Eu表示为用户u的数据量；tb表示本地MEC与空闲MEC计算卸载时延；表示计算任务返回的结果的数据量；表示用户端u使用第m个本地MEC服务器计算任务的时延系数；te表示从核心网边缘节点到基带池的传输时延。
其中，tc表示本地MEC和空闲用户移动的终端计算卸载时延。
步骤Y2，根据服务时延，构建基于边缘计算的个人信用评估的时延模型。
具体的，构建基于边缘计算的个人信用评估的时延模型如下：
其中，Tu表示时延模型；L{·}为函数；表示卸载策略；tx、ty、tz分别表示在本地执行计算任务的时延，MEC服务器任务卸载的计算时延以及混合模式下的任务卸载的计算时延；表示用户是否与第N个边缘计算节点相关联。
其中，函数L{·}定义为：
其中，true表示真(正确)，else表示其他。
步骤Y3，在时延模型小于时延期限的条件下，获取用户评估任务对应的最优卸载策略。
首先，定义η是用户可以容忍的最小时延(即时延期限)； 是用户位置矩阵，其中表示用户是否与第N个边缘节点相关联。表示计算卸载策略矩阵，其中表示要在本地计算的计算任务、卸载到边缘节点以及计算卸载的混合模式。
步骤Y3包括如下子步骤：
步骤Y310，计算用户矩阵选择相应卸载策略的计算能力。
其中，用户矩阵选择相应卸载策略的计算能力的计算公式为：
其中，Qu(O,A)表示用户矩阵选择相应卸载策略的计算能力；Tu表示时延模型；η表示用户可以容忍的最小时延；表示当前计算能力。
卸载策略还存在如下资源约束条件：
第一，用户端的计算资源限制条件为：
其中，u∈U，n∈N；表示(计算卸载的混合模式)时计算能力；表示计算任务所需的CPU周期；Iu表示用户端的计算能力。
第二，MEC节点的计算资源限制条件为：
其中，表示(卸载到边缘节点)时计算能力；表示用户端u使用第m个本地MEC服务器计算任务的时延系数；In表示边缘节点的计算能力。
其中，用户与边缘节点之间的关联关系表示为：
其中，评估任务的卸载策略表示为：
步骤Y320，根据计算的用户矩阵相应卸载策略的计算能力，建立目标优化问题，并获得最优卸载策略。
具体的，最终的目标优化问题表示为：
其中，Qu(O,A)表示用户矩阵选择相应卸载策略的计算能力。选择计算能力最大条件下，与用户矩阵对应的卸载策略作为最优卸载策略。
作为本发明的具体实施例，根据三种卸载模式的特点，最终推导出在线卸载策略。根据边缘计算的特点以及评估任务的特点，算法的基本策略是：根据用户与边缘节点之间的位置关联，对本地计算任务进行优先级排序；当本地节点计算能力不足时,考虑混合计算卸载；只有当边缘节点的计算能力不足时，才认为计算任务被卸载到空闲用户端。根据本发明提出的在线卸载算法解决了MEC使能小型蜂窝网络中的业务延迟优化问题。
作为本发明的具体实施例，在线卸载算法如下所示：
输入：用户O的位置矩阵、用户端和MEC服务器的计算能力Iu,In；
输出：卸载策略
如图11所示，为本发明的系统模型结构，该系统模型结构包括服务器、核心网络、边缘计算节点；服务器上设置基于深度学习的评估模型，服务器通过核心网络与边缘计算节点连接。
本发明提评估模型框架，不仅可以应用在金融物联网，也可以应用在一些较为私密数据的领域。
本发明提出的一种可行的混合卸载方案算法，能显著降低服务延迟。
为了评估本发明的PPPCE(金融物联网中信任评估方法)方案的性能，模拟五种方案以进行性能比较：
第一种，远程服务器集中计算(CCRS)：用户的所有个人数据都被传输到金融公司的远程服务器，计算任务在远程服务器上执行。
第二种，使用穷举搜索方法(PES)的PPPCE(金融物联网中信任评估方法)：个人信用评估与本申请提出的方案进行，但计算任务卸载是由一个高计算复杂度的优化算法，遍历所有的情况，以找到最优解。
第三种，使用建议算法的PPPCE(PPA)：个人信用评估是根据本申请提出的方案进行的，计算任务的卸载是根据本申请提出的在线卸载算法进行的。
第四种，带固定MEC的PPPCE(PFM)：个人信用评估是用本申请提出的方案来完成的，而计算任务直接卸载到MEC服务器上。
第五种，PPPCE与用户终端(PCT):个人信用评估方案和执行计算任务执行用户机终端。
对于仿真场景，部署在半径r＝1Km区域内的蜂窝网络，其中用户和BS(热点覆盖范围)随机分布在该蜂窝网络区域中，并且MEC节点通过光纤链路与BS一起部署。总共N＝3个MEC节点和U＝12个用户均匀地分布在网络上。表1给出了模拟参数的更多细节。
表1：
其中，δ表示时延系数；Δ表示te和ti的比例系数；η表示用户可以容忍的最小时延。
模拟结果与分析如下：
从服务延迟方面展示性能比较。如图5所示，展示了五种方案的服务延迟(以秒为单位)的累积分布函数(CDF)。从图5中可以看出，CCRS(远程服务器集中计算)在延迟方面表现最好，这是由于远程服务器强大的计算能力，可以快速完成计算任务。但CCRS采用将用户数据上传到远程服务器的策略，在用户隐私保护方面存在劣势。因此，在下面的仿真中不考虑CCRS，并且仅比较其他四种方案用于性能评估。从图5中可看出，PCT在延迟方面的性能最差。这是因为，将计算模型发送给用户侧，然后利用用户侧有限的计算能力来执行计算任务，不仅模型的传输时延较大，而且任务的计算时延也较大，最终用户的服务时延无法保证。
本申请提出的卸载算法和卸载策略使用基于PPPCE方案的穷举搜索之间的延迟性能只有约3.5％的差异。然而，本申请提出的算法的复杂度较低，本申请将在下面的部分进行算法复杂度的比较。此外，本申请虽然基于固定MEC的卸载策略(PFM)性能优于PCT策略，但其约75％的业务延迟大于2.5秒，严重影响了用户的业务体验。
在图6和图7中，分别呈现不同方案的归一化效用与用户数量和MEC计算能力的关系。PES和PPA方案在总体效用值上表现更好，而PFM和PCT虽然使用PPPCE机制，但没有计算任务卸载进行优化，因此效用值表现较差；在MEC节点数和计算能力一定的情况下，效用值随用户数的增加而增加；在用户数和MEC节点数固定的情况下，效用值随着MEC节点计算能力的增加而增加。
图6中效用值的增长大于图7中的增长。这是因为，在本申请的模拟中，用户的计算任务相对较小，并且可以通过将任务卸载到MEC节点来快速完成。相比之下，在图7中，尽管MEC节点的增加的计算能力可以减少计算任务的延迟，但是由于用户计算任务的量相对于MEC节点的计算能力而言相对较小，因此随着MEC节点的计算能力增加，该增益变得不显著。
图8示出了四个方案(PPA、PES、PFM、PCT)的复杂性。从图8中可以看出，具有穷举搜索的PES具有最高的时间复杂度，而本申请提出的PPA具有最低的时间复杂度。此外，PFM和PCT的时间复杂度是相同的，由于固定的任务卸载和本地计算策略。
表2给出了四种算法的时间复杂度和使用所考虑的四种算法的用户的平均服务延迟，从表2中可以发现，PES的平均服务延迟虽然最低，但其时间复杂度最高，而本申请提出的PPA具有中等的时间复杂度，平均服务延迟比PES降低了0.2s。此外，PFM和PCT的平均业务延迟均大于2.5s，这将严重影响用户体验。
表2：
在图9中，探讨计算任务数据大小对延迟的影响，从图9中可以看出，平均服务延迟随着计算任务数据大小的增加而增加。显然，更大的任务数据大小意味着需要更多的计算资源，并且在其他条件不变时，计算延迟以及模型传输延迟将增加。PCT对计算任务数据大小的增加更敏感，一方面，更大的计算任务数据意味着来自远程PPA和PES的传输延迟已经采用计算任务的卸载优化，整体服务延迟增长将更温和。
此外，图10展示了实用程序的延迟期限(η)对延迟违规的影响。case1:η＝2s，case2：η＝2.5s，case3：η＝3s，case4：η＝3.5s。PCT的延迟违规的总体概率相对较高，高达46.7％，这显然是用户无法忍受的。PES和PPA具有相对低的延迟违规概率和较小的波动。
本申请实现的有益效果如下：
(1)、本申请提出的信任评估方法用于评估个人信用的有效性，能更好更准确地对用户信用做出评估，在金融这一领域能更好地保护用户的隐私安全。
(2)、本申请提出的低延迟边缘计算卸载方法显著地降低了服务延迟。
在本申请的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请的描述中，“例如”一词用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。
以上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理内所做的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。
Claims (10)
1.一种金融物联网中信任评估的低延迟边缘计算卸载方法，其特征在于，该方法包括：
响应于接收到评估请求信号，向用户端发送预评估模型；
用户端根据接收到的预评估模型，采集用户信息；
将采集的用户信息输入预评估模型中进行预评估，获得用户预评估结果，并根据用户预评估结果，为用户的评估任务匹配相应的评估模型；
根据评估模型，对用户端的评估任务进行计算；
其中，对用户端的评估任务进行计算的方法包括：判断评估任务是否需要卸载到不同的边缘计算节点进行计算，若是，则执行低延迟边缘计算卸载方法，否则，在用户端计算评估任务。
2.根据权利要求1所述的金融物联网中信任评估的低延迟边缘计算卸载方法，其特征在于，低延迟边缘计算卸载方法包括如下步骤：
对评估任务进行分区；
对分区的评估任务进行卸载决策，获取最优卸载策略；
根据最优卸载策略，将需要卸载的评估任务和评估模型传输给对应的边缘计算节点；
边缘计算节点执行评估任务，获取评估结果；
边缘计算节点将评估结果反馈给用户端。
3.根据根据权利要求2所述的金融物联网中信任评估的低延迟边缘计算卸载方法，其特征在于，获取最优卸载策略的方法包括如下步骤：
评测服务时延；
根据服务时延，构建基于边缘计算的个人信用评估的时延模型；
在时延模型小于时延期限的条件下，获取用户评估任务对应的最优卸载策略。
4.根据根据权利要求3所述的金融物联网中信任评估的低延迟边缘计算卸载方法，其特征在于，评测服务时延包括两部分，一部分为计算模型传输时延，另一部分为计算卸载延迟。
5.根据根据权利要求1所述的金融物联网中信任评估的低延迟边缘计算卸载方法，其特征在于，对用户端的评估任务进行计算包括以下三种计算模式：本地边缘计算服务器计算评估任务、本地边缘计算服务器与空闲边缘计算混合计算模式或本地边缘计算服务器和空闲用户端混合计算模式。
6.根据根据权利要求3所述的金融物联网中信任评估的低延迟边缘计算卸载方法，其特征在于，构建基于边缘计算的个人信用评估的时延模型如下：
其中，Tu表示时延模型；L{·}为函数；表示卸载策略；tx、ty、tz分别表示在本地执行计算任务的时延、MEC服务器任务卸载的计算时延、混合模式下的任务卸载的计算时延；表示用户是否与第N个边缘计算节点相关联。
7.根据根据权利要求1所述的金融物联网中信任评估的低延迟边缘计算卸载方法，其特征在于，响应于接收到评估请求信号，向用户端发送预评估模型的方法包括：当用户端有信用评估要求时，用户端向远程服务器发送评估请求信号；远程服务器响应于接收到评估请求信号，根据用户端发起的评估请求类型向用户端发送相应的预评估模型。
8.根据根据权利要求1所述的金融物联网中信任评估的低延迟边缘计算卸载方法，其特征在于，将采集的用户信息输入预评估模型中进行预评估，获得用户预评估结果，并根据用户预评估结果，为用户的评估任务匹配相应的评估模型的方法包括如下步骤：
用户端加载预评估模型，将采集的用户信息输入预评估模型中；
根据预评估模型给出的评分对用户进行评分，获得用户预评估结果；
根据用户预评估结果，选择相应的评估模型。
9.根据根据权利要求3所述的金融物联网中信任评估的低延迟边缘计算卸载方法，其特征在于，获取用户评估任务对应的最优卸载策略的方法包括：
计算用户矩阵选择相应卸载策略的计算能力；
根据计算的用户矩阵相应卸载策略的计算能力，建立目标优化问题，并获得最优卸载策略。
10.根据根据权利要求2所述的金融物联网中信任评估的低延迟边缘计算卸载方法，其特征在于，边缘计算节点执行评估任务，获取评估结果，并将评估结果进行缓存。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311343668.1A CN117492856B (zh) | 2023-10-17 | 2023-10-17 | 一种金融物联网中信任评估的低延迟边缘计算卸载方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311343668.1A CN117492856B (zh) | 2023-10-17 | 2023-10-17 | 一种金融物联网中信任评估的低延迟边缘计算卸载方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117492856A true CN117492856A (zh) | 2024-02-02 |
| CN117492856B CN117492856B (zh) | 2024-07-23 |
Family
ID=89673443
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311343668.1A Active CN117492856B (zh) | 2023-10-17 | 2023-10-17 | 一种金融物联网中信任评估的低延迟边缘计算卸载方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117492856B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109922479A (zh) * | 2019-01-11 | 2019-06-21 | 西安电子科技大学 | 一种基于时延预估的计算任务卸载方法 |
| CN110493304A (zh) * | 2019-07-04 | 2019-11-22 | 上海数据交易中心有限公司 | 边缘计算系统以及交易系统 |
| WO2020216135A1 (zh) * | 2019-04-25 | 2020-10-29 | 南京邮电大学 | 基于边-端协同的多用户多mec任务卸载资源调度方法 |
| US20210021609A1 (en) * | 2020-04-17 | 2021-01-21 | Intel Corporation | Calculus for trust in edge computing and named function networks |
| CN113220447A (zh) * | 2021-03-31 | 2021-08-06 | 中安信联科技有限公司 | 基于边缘计算的金融风控系统及方法 |
| US11206221B1 (en) * | 2021-06-04 | 2021-12-21 | National University Of Defense Technology | Online task dispatching and scheduling system and method thereof |
| US20230081937A1 (en) * | 2020-05-22 | 2023-03-16 | Huawei Technologies Co., Ltd. | Computation offloading method and communication apparatus |
| CN116016519A (zh) * | 2022-12-30 | 2023-04-25 | 南京邮电大学 | 一种面向QoE的边缘计算资源分配方法 |
| WO2023116460A1 (zh) * | 2021-12-25 | 2023-06-29 | 深圳先进技术研究院 | 移动边缘计算环境下多用户多任务计算卸载方法及系统 |
| CN116760722A (zh) * | 2023-06-14 | 2023-09-15 | 福州大学 | 一种存储辅助mec任务卸载系统及资源调度方法 |
-
2023
- 2023-10-17 CN CN202311343668.1A patent/CN117492856B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109922479A (zh) * | 2019-01-11 | 2019-06-21 | 西安电子科技大学 | 一种基于时延预估的计算任务卸载方法 |
| WO2020216135A1 (zh) * | 2019-04-25 | 2020-10-29 | 南京邮电大学 | 基于边-端协同的多用户多mec任务卸载资源调度方法 |
| CN110493304A (zh) * | 2019-07-04 | 2019-11-22 | 上海数据交易中心有限公司 | 边缘计算系统以及交易系统 |
| US20210021609A1 (en) * | 2020-04-17 | 2021-01-21 | Intel Corporation | Calculus for trust in edge computing and named function networks |
| US20230081937A1 (en) * | 2020-05-22 | 2023-03-16 | Huawei Technologies Co., Ltd. | Computation offloading method and communication apparatus |
| CN113220447A (zh) * | 2021-03-31 | 2021-08-06 | 中安信联科技有限公司 | 基于边缘计算的金融风控系统及方法 |
| US11206221B1 (en) * | 2021-06-04 | 2021-12-21 | National University Of Defense Technology | Online task dispatching and scheduling system and method thereof |
| WO2023116460A1 (zh) * | 2021-12-25 | 2023-06-29 | 深圳先进技术研究院 | 移动边缘计算环境下多用户多任务计算卸载方法及系统 |
| CN116016519A (zh) * | 2022-12-30 | 2023-04-25 | 南京邮电大学 | 一种面向QoE的边缘计算资源分配方法 |
| CN116760722A (zh) * | 2023-06-14 | 2023-09-15 | 福州大学 | 一种存储辅助mec任务卸载系统及资源调度方法 |
Non-Patent Citations (1)
| Title |
|---|
| 孔文萍: "面向边缘计算的可信资源分配与任务卸载的关键技术研究", 《CNKI博士电子期刊》, 15 October 2023 (2023-10-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117492856B (zh) | 2024-07-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhu et al. | A low-latency edge computation offloading scheme for trust evaluation in finance-level artificial intelligence of things | |
| Xu et al. | Trust-aware service offloading for video surveillance in edge computing enabled internet of vehicles | |
| Xu et al. | Asynchronous federated learning on heterogeneous devices: A survey | |
| Li et al. | Joint optimization strategy of computation offloading and resource allocation in multi-access edge computing environment | |
| CN111641681A (zh) | 基于边缘计算和深度强化学习的物联网服务卸载决策方法 | |
| Tang et al. | Collective deep reinforcement learning for intelligence sharing in the internet of intelligence-empowered edge computing | |
| Yao et al. | Caching in dynamic IoT networks by deep reinforcement learning | |
| US8005654B2 (en) | Method, apparatus and computer program product for intelligent workload control of distributed storage | |
| CN114340016A (zh) | 一种电网边缘计算卸载分配方法及系统 | |
| CN118138640B (zh) | 一种云平台用户数据传输优化系统及方法 | |
| Chen et al. | A novel deep policy gradient action quantization for trusted collaborative computation in intelligent vehicle networks | |
| Cui et al. | Multiagent reinforcement learning-based cooperative multitype task offloading strategy for internet of vehicles in B5G/6G network | |
| Cheng et al. | Dynamic games for social model training service market via federated learning approach | |
| Bai et al. | A deep-reinforcement-learning-based social-aware cooperative caching scheme in D2D communication networks | |
| Zhu | Network public opinion prediction and control based on edge computing and artificial intelligence new paradigm | |
| Wang et al. | Eidls: An edge-intelligence-based distributed learning system over internet of things | |
| Ma | Edge server placement for service offloading in internet of things | |
| CN113220447B (zh) | 基于边缘计算的金融风控系统及方法 | |
| Yang et al. | Robust bandit learning with imperfect context | |
| CN118468186A (zh) | 一种基于联邦学习机制的风电数据异常检测方法及系统 | |
| Peng et al. | SCOF: Security-Aware Computation Offloading Using Federated Reinforcement Learning in Industrial Internet of Things with Edge Computing | |
| Wu et al. | Multi-Agent Federated Deep Reinforcement Learning Based Collaborative Caching Strategy for Vehicular Edge Networks | |
| CN117492856B (zh) | 一种金融物联网中信任评估的低延迟边缘计算卸载方法 | |
| Li et al. | A cost‐efficient and QoS‐aware adaptive placement of applications in fog computing | |
| CN117035055A (zh) | 一种基于bfl和语义的设备rul预测方法及系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |