15、移动边缘云计算中的计算卸载：挑战与解决方案

移动边缘云计算中的计算卸载：挑战与解决方案

计算卸载隐私保护方法

在边缘设备的计算卸载方面，I. A. Elgendy和R. Yadav的方法对边缘设备更有效，但应用数据无法免受网络攻击。不过，也有其他方法在卸载过程中保护隐私。
- 基于隐马尔可夫模型的方法 ：有研究利用隐马尔可夫模型保护电子医疗系统中患者数据时间序列分类活动的隐私。同时引入了新协议并开发算法来保护分类结果。性能评估表明，该方法既能保护分类活动的隐私，又能降低计算成本。
- 基于深度学习的方法 ：Zheng等人引入了一种适用于资源受限用户的基于深度神经网络的替代训练策略，开发了基于差分隐私的算法来确保激活水平并为用户提供隐私保护，还提出了基于联邦学习的方法来并行处理涉及隐私的训练过程。模拟结果验证了深度神经网络模型在单独和并行模式下进行卸载解决方案的可能性，但假设中央服务器拥有无限计算资源并不实际。

大规模网络计算卸载挑战

大规模边缘云计算系统的计算卸载已在一些研究中通过传统和机器学习方法得到解决，但仍存在挑战。
- 卸载模型复杂度增加 ：随着物联网设备和边缘计算节点数量的增加，卸载模型的复杂度上升，导致卸载决策延迟。因为卸载决策过程是集中式的，需要收集物联网设备、计算任务、信道带宽和边缘节点资源等所有信息，当前研究忽略了这一信息收集过程的时间消耗，会使网络信道过载。
- 时间复杂度增加 ：解决卸载模型的时间复杂度随网络规模增大而增加。
- 实时系统挑战 ：实时系统中的动态