一种针对延迟和隐私敏感任务的差分进化卸载策略，采用联邦式本地边缘-云协作模式

《ACM Transactions on Sensor Networks》：A Differential Evolution Offloading Strategy for Latency and Privacy Sensitive Tasks with Federated Local-edge-cloud Collaboration

多级本地-边缘-云协同计算中基于联邦学习的隐私保护任务卸载优化方法，通过构建系统模型分析不同计算模式的延迟特性，提出融合差分进化算法的HierFAVG-DE优化模型，有效降低时敏任务的端到端延迟并保障隐私数据不出本地。

　　

摘要

由于移动设备的快速增长以及无线通信技术的迅速发展，本地-边缘-云计算正成为一种有吸引力的解决方案，它通过利用移动设备、边缘服务器和云的多计算能力来提供更高质量的服务。然而，由于任务对延迟和隐私非常敏感，在本地-边缘-云计算系统中实现高度可靠的任务卸载成为一个关键问题。在本文中，我们研究了分层式本地-边缘-云计算网络中针对对延迟和隐私敏感的任务的计算卸载问题，并采用了联邦学习方法。我们的目标是在不影响数据隐私的情况下，最小化移动设备请求的延迟敏感任务的执行时间，同时每个任务都可以在本地、边缘或云计算模式下执行，而无需依赖隐私数据。首先，我们建立系统模型来分析不同计算模式下的延迟情况，然后提出一个受限优化问题来最小化联邦卸载协作所消耗的延迟。为此，我们提出了一种基于差分进化算法的分层联邦平均方法（HierFAVG-DE），并通过大量仿真验证了该方法的优越性。