21、基于深度强化学习的MEC任务卸载延迟与隐私联合优化方案

基于深度强化学习的MEC任务卸载延迟与隐私联合优化方案

1. 研究背景与目标

在多接入边缘计算（MEC）系统中，任务卸载是提高计算效率的重要手段，但这一过程中也存在用户隐私泄露的风险，如位置隐私和使用模式隐私。同时，任务计算和传输会带来延迟。因此，实现延迟和隐私保护的联合优化至关重要。

2. 相关工作

2.1 MEC系统中的任务卸载

• 单用户MEC系统任务卸载
  • 部分研究考虑云接入性和用户部分充电情况，设计卸载算法。
  • 还有研究设计部分计算卸载模型以最小化延迟，或提出优化框架来减少任务处理延迟和设备能耗。
  • 一些工作考虑任务队列，研究最优卸载方案；部分工作对任务完成时间设置硬期限约束，且任务可分解。
  • 最新研究提出使用物理层方法防御卸载中的窃听，或设计分层卸载机制。
• 多用户MEC系统任务卸载
  • 部分研究将多个MEC系统集成到集中式神经网络中，优化能耗和执行延迟。
  • 后续研究集中于降低多用户系统的能耗和延迟，还有研究在设计卸载方案时考虑严格的延迟约束。
  • 一些工作考虑无线通信状态和设备间的非合作博弈竞争，设计达到博弈平衡的卸载方案。
  • 部分研究通过联合优化卸载工作量和NOMA传输时间来最小化系统总延迟，或设计基于在线学习的协作卸载系统。
  • 最新研究分别考虑设备间的任务依赖、代码分