Jan, 2018

移动边缘缓存中的强化学习安全性

PDF
TL;DR该研究探讨 MEC 系统中的攻击模式，并使用强化学习提供了安全的卸载和认证方案，以保护数据隐私。
mobile edge computingmobile edge cachingreinforcement learningsecurity solutionsdata privacy
发现论文，激发创造
  • 超越边缘：移动边缘计算的强化学习高级探索及其应用与未来研究轨迹

    移动边缘计算（MEC）通过将计算和存储范围扩展到靠近终端设备的边缘节点，实现了大规模 “连接的物联网” 在边缘网络中的部署。这篇论文全面调研了在 MEC 网络中应用强化学习（RL）的各种应用，包括离线、缓存和通信等方面，提出了特定的 RL 技术来解决相关问题并提供了实际应用的见解。

    Apr, 2024

  • 强化学习增强的移动边缘计算用于 6G 边缘智能

    本文综述了强化学习 - enabled 移动边缘计算在不同移动应用中的发展，并探讨了其面临的挑战和未来研究方向。

    Jan, 2022

  • 车联网中的协作边缘计算深度强化学习

    本文提出一种基于人工智能的协同计算方法，通过将任务分配和调度算法与决策流程相结合，实现车辆网络中任务的外包与协同计算，进而减少计算服务延迟，提高服务可靠性，并实现服务成本最小化。在复杂的城市交通网络中，基于提出的协同计算方法，仿真结果表明该方法适应高度动态环境且性能表现优异。

    Oct, 2020

  • 移动边缘计算中的性能优化：基于深度强化学习的方法

    本文提出了一种基于深度强化学习和马尔科夫决策过程的移动边缘计算系统中的任务卸载策略优化算法。实验结果表明，该算法相比基线策略有了显著的平均成本改善。

    Mar, 2018

  • 多接入边缘计算中的服务器放置和工作负载分配强化学习框架

    本研究提出了一种使用强化学习解决最小化网络延迟和边缘服务器数量的问题的新 RL 框架，该问题涉及云计算、多接入边缘计算、组合优化问题和马尔可夫决策过程。

    Feb, 2022

  • 移动边缘缓存的安全与隐私：挑战与解决方案

    研究了移动边缘缓存技术下的安全隐私威胁问题，并提出了基于服务、基于位置的高效密钥分配协议（SOLEK）作为在移动边缘缓存下实现安全、高效内容交付的样例。

    Dec, 2020

  • 密集网络中移动边缘计算的联合服务缓存和任务卸载

    本文提出了一种名为 OREO 的基于 Lyapunov 优化和 Gibbs 采样的在线算法，用于动态服务缓存和任务卸载，以应对 MEC 系统中的关键挑战，包括服务异构性、未知系统动态、空间需求耦合和分散协调，可有效降低终端用户的计算延迟并保持能源消耗低。

    Jan, 2018

  • 基于分布式强化学习的保护隐私的动态边缘缓存

    本文提出了一种隐私保护的分布式深度确定性策略梯度算法，通过分布式强化学习解决内容流行度的动态、复杂和不可观测性所带来的缓存优化问题，在保护用户隐私的情况下提高 MEC 网络中设备的缓存命中率。

    Oct, 2021

  • 多目标深度强化学习用于移动边缘计算

    通过设计的多目标 (深度) 强化学习 (MORL) 资源调度方案，结合了近端策略优化 (PPO) 方法以解决多目标边缘计算系统下未知偏好的问题，本研究在能源消耗与传输延迟最小化的前提下，通过多边缘 MEC 系统中多目标离线问题进行建模与解决。

    Jul, 2023

  • 虚拟边缘计算系统中基于深度强化学习的计算卸载性能优化

    本文讨论了在移动网络中为实现计算任务的优化，如何通过最优计算分配策略，结合移动设备与 MEC 服务器的计算能力以及移动设备与基站之间的不同状态，达到最大化长期效益性能的效果，并利用 Q 函数分解技术与双深度 Q 网络相结合，实现了随机计算分配的学习算法。

    May, 2018