26、基于学习的多任务能量延迟与隐私联合优化

基于学习的多任务能量延迟与隐私联合优化

1. 威胁与设计目标

在多任务计算任务卸载到边缘服务器的过程中，存在着隐私泄露的风险。攻击者可能会获取两种隐私信息：
- 使用模式隐私 ：攻击者可以通过记录到达任务的数量和大小，分析用户的使用模式。例如，运行健康监测应用的患者可能有独特的使用模式，攻击者可以据此识别特定用户。
- 位置隐私 ：攻击者可以根据信道条件和任务卸载情况推断用户的位置。当信道条件好时，用户倾向于卸载任务；当信道条件差时，用户可能选择本地处理或存储任务，这可能暴露用户与边缘服务器的距离。

我们的设计目标是在任务卸载过程中实现能量延迟和隐私的联合优化，即在最小化任务计算和传输的能量消耗和延迟的同时，获得最高的隐私级别。

2. 系统模型

我们考虑一个边缘 - 云协作的多接入边缘计算（MEC）系统，该系统由一个不可信的 MEC 服务器、一个云服务器和多个带有能量收集组件的移动用户设备组成。以下是系统模型的详细信息：
- 用户设备 ：在每个时间槽 $t$ 开始时，用户设备生成新任务 $A_m(t)$（以比特为单位），并将未执行的任务存储在缓冲区 $Q_m(t)$ 中。每个设备可以选择本地处理任务、将任务发送到边缘服务器或云服务器，这些选择由二进制变量 $\alpha_{m,L}(t)$、$\alpha_{m,M}(t)$ 和 $\alpha_{m,C}(t)$ 表示。
- 任务卸载 ：如果 $\alpha_{m,L}(t) = 1$，则任务在本地处理；如果 $\a