6、联邦学习在移动边缘计算中的应用探索

联邦学习在移动边缘计算中的应用探索

1. 攻击类型与应对策略

在移动边缘网络中，存在着不同类型的攻击，其中搭便车攻击较为突出。攻击者在不参与学习过程的情况下从全局模型中获利，例如假装自己只有极少的样本用于训练。针对这种攻击，有相应的应对策略，具体如下表所示：
| 攻击类型 | 攻击方法 | 应对策略 |
| — | — | — |
| 搭便车攻击 | 攻击者在不参与学习过程的情况下从全局模型中获利，如假装只有极少样本用于训练 | BlockFL：利用区块链技术交换和验证参与者的本地学习模型更新。每个参与者训练并将训练好的全局模型发送给区块链网络中关联的矿工，然后根据训练数据样本数量获得相应奖励 |

2. 联邦学习在移动边缘网络优化中的应用概述

联邦学习在移动边缘网络优化中有多种应用，具体如下表所示：
| 应用场景 | 描述 |
| — | — |
| 网络攻击检测 | 利用边缘节点或物联网网关作为工作节点进行攻击检测，采用区块链存储模型更新 |
| 边缘缓存与计算卸载 | 运用深度强化学习（DRL）进行缓存和卸载决策，采用堆叠自编码器学习进行主动缓存，使用贪心算法优化服务放置方案 |
| 基站关联 | 采用基于联邦学习的深度回声状态网络（ESNs）方法，或基于平均场博弈与模仿的方法进行基站关联 |
| 车载网络 | 运用极值理论（EVT）预测大队列长度，采用联邦能源需求学习（FEDL）方法管理充电站能源资源 |

3. 网络攻击检测

网络攻击检测是移动边缘网络中及时预防和减轻攻击严重后果的重要步骤。深度学习（DL）被认为是检测各种攻击的最有效工具