边缘计算电力网络中任务匹配的能效与隐私权衡

《IEEE Transactions on Cloud Computing》：Energy-Privacy Tradeoff for Task Matching in Edge Computing Power Networks

第六代移动通信网络（6G）需实现超低时延、节能及隐私保护，移动边缘计算（MEC）通过近端资源卸载缓解时延与能耗问题，但面临资源受限、高移动性及隐私严苛需求等挑战。本文提出隐私保护边缘计算电力网络（EdgeCPN）模型，结合差分隐私方法与动态图神经网络强化学习算法（MADRL），在保障隐私的前提下优化任务匹配与资源分配，有效降低隐私预算加权能耗。

　　

摘要：

第六代（6G）网络旨在实现无处不在的智能连接，同时确保极低的延迟、降低能耗并增强隐私保护。移动边缘计算（MEC）通过利用靠近终端设备的资源来卸载任务，提供了一种有效的解决方案，以减少延迟和能耗。然而，MEC在满足6G网络的要求方面面临重大挑战，包括计算资源有限、设备高度移动以及严格的数据隐私需求。在保护隐私的同时高效分配边缘资源已成为实现6G网络目标的关键问题。在本文中，我们提出了一种隐私保护的边缘计算能源网络（EdgeCPN）模型，该模型联合利用边缘计算节点的计算资源，并通过差分隐私方法保护敏感的计算能力信息。此外，我们提出了一个任务匹配问题，旨在在确保隐私保护的同时，最小化隐私预算加权的能耗，并满足任务要求。我们提出了一种基于动态图的多智能体强化学习（MADRL）算法，用于寻找具有隐私保护功能的任务匹配和计算资源分配的最优策略。结果表明，我们提出的考虑能耗和隐私权衡的任务匹配模型可以在匹配过程中最小化能耗，同时确保隐私，且该算法能够高效地找到任务匹配的最优策略。