基于LP和ORP-DRL机制的协作式隐私保护方法,用于MEC中的任务卸载

《Neurocomputing》:Collaborative privacy-preserving based on LP and ORP-DRL mechanism for task offloading in MEC

【字体: 大 中 小 】 时间:2025年12月06日 来源:Neurocomputing 6.7

编辑推荐:

  王辉|李新昂|沈志豪|刘培谦 中国河南省焦作市河南理工大学软件学院,454000 摘要 随着移动边缘计算技术的发展,任务卸载在远程通信和智能城市领域得到了越来越广泛的应用。随着用户对卸载性能要求的提高,对隐私保护的需求也在增加,尤其是位置和使用模式方面的隐私保护。为

  王辉|李新昂|沈志豪|刘培谦
中国河南省焦作市河南理工大学软件学院,454000

摘要
随着移动边缘计算技术的发展,任务卸载在远程通信和智能城市领域得到了越来越广泛的应用。随着用户对卸载性能要求的提高,对隐私保护的需求也在增加,尤其是位置和使用模式方面的隐私保护。为应对这些挑战,我们提出了一种基于位置扰动和卸载比例扰动深度强化学习机制的协作式隐私保护任务卸载方案。首先,位置扰动机制通过以用户实际位置为基础定义扰动区域,并运用自定义的拉普拉斯分布来生成最终的扰动位置。其次,卸载比例扰动深度强化学习机制利用带范围约束的拉普拉斯分布来模糊卸载比例,使用户能够根据不断变化的信道条件灵活调整扰动程度。最后,我们提出了一种基于化学反应优化的任务卸载策略,以确保卸载策略的高效性。理论分析表明,这两种机制都能实现差分隐私,从而提供可证明的隐私保护。仿真结果表明,CPP-LOM方案能够在保持较低计算开销的同时有效保护用户的地理位置和使用模式隐私。

引言
随着物联网、车联网以及5G通信等前沿技术的快速发展,数据量呈指数级增长,同时对资源密集型且对延迟敏感的任务的需求也大幅上升。在自动驾驶、人脸识别和智能家居等领域,实时数据处理效率的要求愈发严格。然而,传统的集中式云计算架构难以满足当前的数据处理需求。在处理大规模实时数据且存在高并发访问的情况下,云计算会出现明显的延迟问题以及带宽限制,从而严重影响用户体验。为解决这些问题,移动边缘计算作为一种高效的替代方案应运而生。通过在网络边缘部署计算和存储资源,移动边缘计算能够缩短数据传输距离,显著降低延迟。边缘服务器具备强大的处理能力,可实现本地数据处理和服务交付,从而提升系统的效率和可靠性。

作为移动边缘计算中的关键技术,任务卸载能够显著提升系统性能。该过程将计算任务从本地设备转移到边缘服务器,从而减轻设备负担并优化任务处理效率。核心挑战在于如何根据实时网络状况、任务特性以及计算资源来制定最优的卸载决策。例如,Tang等人研究了具有动态边缘负载且不可分割的延迟敏感任务,提出了基于分布式无模型深度强化学习算法的解决方案;Chen等人则针对物联网设备中的计算能力和电池限制,引入了一种混合能量框架,通过协同优化本地计算、卸载时长以及边缘处理来降低系统成本。此外,随着用户隐私意识的提高,数据安全以及任务卸载过程中的隐私保护已成为亟需解决的难题。

任务卸载策略与移动信道状态密切相关。用户通常会根据实时无线信道状况来确定任务卸载策略。在信号质量良好的情况下,计算任务一般会被卸载到边缘服务器,以减轻本地计算负担并提升处理效率。而在信道条件较差时,则往往选择在本地处理任务,以避免因网络延迟或不稳定导致的性能下降。然而,现有研究表明,不可信任的边缘服务器可以通过观察任务卸载行为推断出用户的地理位置和使用模式。通过分析卸载频率和处理模式,这些服务器可以推测出无线环境,进而推断出用户的地理位置。例如,频繁的远程卸载可能表明信号覆盖良好,而主要在本地处理则可能意味着信号接收较差。此外,通过对卸载历史的长期监控,不可信任的服务器还可以识别出用户的习惯性使用模式——因为某些类型的任务会在特定的时间或场景下出现,比如出行路线和经常访问的地点。

本文着眼于具有均匀分布边缘服务器的多服务器场景。我们假设这些服务器是诚实的,但具有好奇心。它们在处理卸载任务时会严格遵守协议,但也可能合谋来推断用户的私人信息。在这种背景下,出现了两个主要挑战:(1)如何确保用户地理位置和使用模式的隐私;(2)如何在提供可证明的隐私保障的同时保持高效的任务卸载性能。为解决这些挑战,我们提出了一种融合位置扰动和卸载比例扰动深度强化学习机制的协作式隐私保护任务卸载方案。该框架能够在兼顾隐私保护和计算成本的同时,实现个性化的隐私保护,并保持较低的计算开销。

所提出的CPP-LOM方案的核心创新之处在于将位置扰动机制与卸载比例扰动深度强化学习机制相结合,从而实现对位置隐私和使用模式隐私的协同保护。在位置隐私保护方面,Hua等人曾在优化卸载决策时纳入位置隐私约束,采用了整数线性规划及启发式算法。但他们的方法局限性在于所使用的隐私模型相对简单,主要依赖于与距离相关的函数,且未考虑动态环境的影响。He等人则提出了基于矩阵序列概率比检验的攻击模型,并设计了动态多边缘节点选择机制。该方案利用李雅普诺夫优化来控制隐私队列的稳定性,提升了其理论严谨性,但其实施复杂度较高,且依赖于已知的攻击模型这一强假设。与上述方案不同,本文提出的位置扰动机制通过扰动用户的真实位置,有效地打破了真实位置与卸载策略之间的关联,因此具有更强的通用性和实用性。在用户使用模式隐私保护方面,Lan等人提出了基于深度强化学习的隐私保护模型,通过添加冗余信息来掩盖任务特征。但其局限性在于该机制仅在信道条件良好的情况下才会触发,且扰动策略缺乏适应性。Zhang等人则提出了基于隐私熵的隐私保护机制,他们通过计算任务类型概率的信息熵来量化隐私程度,旨在最大化该熵值以隐藏用户隐私,但该机制无法根据环境变化进行动态调整和优化。相比之下,所提出的卸载比例扰动深度强化学习机制对环境变化具有很强的适应性,且能够提供严格可证明的隐私保护。

本文的主要贡献包括:
(1)我们提出了位置扰动机制。该机制根据用户实际位置确定扰动区域,并依据拉普拉斯概率密度函数对位置进行扰动,从而有效保护位置隐私。理论分析表明,该机制能够满足差分隐私要求。
(2)我们提出了卸载比例扰动深度强化学习机制。该机制利用带范围约束的拉普拉斯分布来修改初始卸载比例,从而能够根据不断变化的信道条件自适应地生成扰动后的卸载比例。形式化证明表明,该机制也能满足差分隐私要求。
(3)为了解决任务卸载策略生成的NP难问题,我们提出了基于化学反应优化算法的任务卸载策略,从而实现了隐私保护与计算成本之间的平衡。

本文的结构安排如下:第2节介绍现有研究进展;第3节阐述任务卸载的相关基础概念;第4节详细说明CPP-LOM方案;第5节进行严格的理论分析;第6节通过仿真实验分析结果;第7节对全文工作进行总结。

传统任务卸载
作为移动边缘计算中的关键技术,任务卸载已成为研究热点。传统研究主要集中在优化卸载策略和资源管理,以降低延迟和能耗。在能耗优化方面,Chen等人提出了DTOME方案,这是一种基于混合能源供应的动态卸载方案,通过协同优化本地计算和任务卸载,显著降低了系统的电力成本。

预备知识
本节正式介绍任务卸载的相关基础概念、系统模型以及问题表述,表1总结了本文中使用的关键符号。

CPP-LOM方案设计
在多服务器场景下的任务卸载面临三个主要挑战:(1)保护用户的地理位置隐私;(2)保护用户的使用模式隐私;(3)制定高效的任务卸载策略。我们提出了CPP-LOM方案来解决这些问题。该方案设计了基于位置扰动的机制,以及基于差分隐私的深度强化学习驱动的卸载比例扰动机制。

边缘计算中的任务卸载工作流程

理论分析
本节从隐私保护的角度,对多服务器场景下的位置扰动机制和卸载比例扰动深度强化学习机制进行理论分析。

定理1
位置扰动机制满足差分隐私要求。

证明
假设在扰动区域内存在两个相邻点A和B,它们到扰动区域中心的距离分别为d1和d2。在同一扰动区域内,点A被扰动到点A'的概率为p1,点B被扰动到点B'的概率为p2,且扰动后位置到扰动区域中心的距离分别为d1'和d2'。需要证明的是……

实验设置
为验证CPP-LOM方案的有效性,我们将其与A-PPO、SDLPTO以及OffloadingGuard这三种方案进行了比较。A-PPO是一种多任务联合卸载与资源分配方案,它构建了资源分配和任务调度系统,通过基于注意力机制和近端策略优化的协作算法来获得最优卸载策略。该方案不考虑隐私保护问题,可作为性能基准。SDLPTO则是另一种方案……

结论
本文提出了一种基于位置扰动和卸载比例扰动深度强化学习机制的CPP-LOM方案,用于保护用户的地理位置和使用模式隐私。位置扰动机制通过LP算法获取用户的扰动后位置,而卸载比例扰动深度强化学习机制则利用ORP-DRL算法来确定用户的扰动卸载比例。TO-CRO算法则用于基于用户的扰动后位置和卸载比例来制定高效的卸载策略。

CRediT作者贡献声明
王辉:写作——审阅与编辑、方法论、概念设计。李新昂:写作——审阅与编辑、原始稿撰写、验证、软件实现、方法论、概念设计。沈志豪:写作——审阅与编辑、监督、资金获取。刘培谦:写作——审阅与编辑、监督。

利益冲突声明
作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。王辉于1975年出生于中国河南省焦作市,2009年在吉林大学获得计算机科学与技术博士学位。他目前是河南理工大学软件学院的教授,研究兴趣包括网络安全、信息模拟以及机器学习。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号