基于差分隐私的热点技术，实现停车车辆的边缘计算任务卸载 梁国玲（Guoling Liang）， 苏兆宇（Zhaoyu Su）， 李春海（Chunhai Li）， 陈明峰（Mingfeng Chen）， 赵峰（Feng Zhao）

《Information》：Task Offloading of Parked Vehicles Edge Computing Based on Differential Privacy Hotstuff Guoling Liang, Zhaoyu Su, Chunhai Li, Mingfeng Chen and Feng Zhao

　　

摘要

随着区块链技术融入停车车辆边缘计算（PVEC）领域，这种技术已成为缓解分布式和不可信计算环境中固有信任挑战的一种有前景的方法。然而，在任务卸载和共识形成过程中，车辆容易泄露位置信息，从而导致隐私泄露。为了解决这一问题，我们提出了一种基于位置差分隐私的区块链PVEC（DBPVEC）框架，以在卸载和共识过程中保护位置信息。具体而言，我们设计了一种基于拉普拉斯机制的位置差分隐私机制，并从理论上证明了该机制满足ε-差分隐私要求。该机制会对车辆的位置信息进行扰动，并采用一种保护隐私的卸载策略来增强Hotstuff共识机制，从而保护边缘计算中的位置隐私。随后，我们构建了一个联合优化问题，考虑了系统能耗、延迟和隐私强度等因素。为了解决这个问题，我们设计了一种双层深度强化学习（DRL）算法，其中上层使用深度Q网络（DQN），下层使用深度确定性策略梯度（DDPG），以确定最优的卸载策略。实验结果表明，与两种基线方法相比，我们的方案取得了显著的效果：总成本降低了68.31%和63.25%，能耗降低了9.96%和16.27%，延迟降低了31.46%和18.07%。此外，该方案在保护车辆位置隐私的同时，还保持了良好的能耗和延迟性能。