在端边云系统中，通过自监督特征映射实现隐私感知的卸载策略

《ACM Transactions on Sensor Networks》：Privacy-Aware Offloading Strategy via Self-Supervised Feature Mapping in the End-Edge-Cloud System

在物联网时代，端-边-云系统需高效处理海量设备数据，但传统隐私保护任务卸载方法存在场景局限性和迁移能力差的问题。本文提出PATO方案，通过自监督特征映射模块对敏感信息进行非线性变换，结合DRL决策模块实现隐私保护与资源优化的协同，并验证其具有强迁移能力的通用性。

　　

摘要

在物联网（IoT）时代，大量终端设备的广泛应用对数据处理提出了前所未有的需求。为应对这一挑战，端边云系统应运而生，其中任务卸载在高效分配计算资源方面发挥着关键作用。与此同时，随着人们对隐私问题的关注度不断提高，隐私意识强的任务卸载方法也受到了广泛关注。然而，现有的隐私意识强任务卸载方法存在诸多局限性，例如仅适用于特定场景、卸载策略的传输能力较弱等。本文研究了端边云系统中的隐私意识强任务卸载问题，并提出了一种名为PATO的隐私保护型任务卸载策略。PATO由两个核心模块组成：首先，一个新颖的自监督特征映射模块通过复杂的一向映射方式对敏感信息进行转换；随后，一个基于强化学习（DRL）的决策模块利用转换后的信息来做出任务卸载决策。通过巧妙结合自监督特征映射模块和基于DRL的决策模块，PATO既实现了隐私保护，又解决了任务卸载问题。此外，PATO被设计为一种通用的任务卸载解决方案，具备良好的泛化能力。