《Computer Networks》：AoI-Aware Privacy-Preserving Computation Offloading in the Internet of Vehicles Using GRPO
编辑推荐：
•采用信息新鲜度指标模型来量化信息的新鲜程度。•运用地理不可区分机制来降低隐私泄露风险。•实验结果证明了所提方法具有更优异的性能。引言随着信息通信技术的快速发展，其与汽车行业的深度融合推动了车联网从简单的信息交换向复杂的智能协作发展，为未来智能交通系统的构建奠定了基础[1,2]。
- •
采用信息新鲜度指标模型来量化信息的新鲜程度。
- •
运用地理不可区分机制来降低隐私泄露风险。
- •
实验结果证明了所提方法具有更优异的性能。
引言
随着信息通信技术的快速发展，其与汽车行业的深度融合推动了车联网从简单的信息交换向复杂的智能协作发展，为未来智能交通系统的构建奠定了基础[1,2]。与此同时，诸如高清地图的实时更新以及智能路线规划等日益复杂的车载应用不断涌现，这些应用严重依赖对海量数据流的即时处理与分析[3,4]。因此，低延迟对于确保这些服务的连续性与可靠性至关重要[[5], [6], [7]]。为应对车辆环境中高计算需求与严格延迟要求这两大挑战，移动边缘计算通过在网络边缘提供计算支持发挥了关键作用。基于这一能力，计算卸载技术使得车辆能够将任务卸载到边缘服务器上，从而弥补车载计算能力的不足[[8], [9], [10]]，并在复杂交通场景下确保数据的及时处理，进而维持服务质量和用户体验[11,12]。
传统的优化方法通常通过迭代方式寻找最优解，但这种方式往往耗时较长，难以满足动态且不确定的车联网环境中的实时卸载决策需求[13]。深度强化学习则具备通过持续与环境交互学习并优化决策策略的能力，且无需依赖预先定义的精确模型，非常适合在动态环境中确定最优的卸载策略[[14], [15], [16]]。目前关于基于深度强化学习的计算卸载的研究主要集中在最小化任务延迟和能耗方面。然而，随着车联网应用越来越智能化，新兴应用中的信息价值愈发依赖于数据的新鲜度，且对时间敏感性也越来越强[17,18]。由于过时的数据可能导致错误决策[19,20]，计算卸载逐渐开始将数据新鲜度与计算效率同等重视。
鉴于车联网应用对信息新鲜度的极高依赖，迫切需要一个清晰且精确的概念来界定信息新鲜度。最新信息生成时间与接收方接收到该信息的时间间隔被定义为信息年龄[AoI][21,22]。与延迟不同，信息年龄同时考虑了传输时间以及两次传输之间的间隔[23]。具体而言，较低的信息年龄意味着信息仍然新鲜，对于计算卸载决策具有很高的价值；而较高的信息年龄则表明信息可能已经过时[24]。因此，信息年龄能够全面且精准地反映特定场景下信息的实际价值与有效性，是优化系统信息效率的更优指标[25,26]。
目前大多数关于信息年龄优化的研究都假设环境是完全可信的，而现实部署中可能存在的安全威胁常常被忽视。在实际的移动边缘计算环境中，那些诚实但好奇的边缘服务器可能会串通起来推断车辆的位置信息，从而以一定的精度估算出车辆的敏感位置[27]。为降低位置隐私泄露的风险，地理不可区分机制提供了一种有效的防护手段。具体来说，该机制通过向位置数据中添加可控的随机噪声，将差分隐私技术扩展到地理空间领域。这样一来，只要在指定半径范围内的任意两个不同位置向外部观察者呈现出的输出在统计上相似[28]，就能阻止攻击者准确识别真实坐标，从而在任务卸载过程中避免位置隐私泄露。基于此，本研究旨在解决以下三个研究问题：
- 1.
地理不可区分机制能否有效保护位置隐私？
- 2.
动态隐私预算调整机制能否比固定预算方案实现更好的隐私保护与数据效用之间的平衡？
- 3.
基于群相对策略优化的卸载策略在不同任务规模、异构边缘服务器配置以及不同隐私预算条件下是否具有稳定性？
总之，关于兼顾隐私保护的计算卸载问题目前仍缺乏充分的研究。本文提出了一种同时考虑位置隐私与信息新鲜度的任务卸载算法，用以解决这些问题。该算法利用信息年龄指标来量化信息新鲜度，同时运用地理不可区分机制来保护车辆的实际位置。最后，通过群相对策略优化算法，在综合考虑信息年龄与隐私因素的情况下确定最优的任务卸载策略。本文的主要贡献如下：
- •
首先，为满足动态车联网环境中计算卸载的实时性要求及隐私保护需求，我们提出了一个基于群相对策略优化的框架，该框架同时考虑了信息的时效性与时位置隐私。
- •
其次，为满足车联网环境中对延迟敏感任务的实时处理需求，我们引入了信息年龄模型来量化信息的时效性，以此替代传统的延迟模型，确保决策策略能够符合该环境下的信息新鲜度要求。
- •
第三，由于利用车辆位置数据进行卸载可能会暴露敏感的位置信息，我们将地理不可区分机制引入车联网卸载问题中，这是一种专为地理空间数据设计的差分隐私扩展技术，可用于对原始位置数据进行处理。我们还提出了一种能够动态调整隐私预算的方案，该方案在保障数据效用的同时还能提供可量化的隐私保障。
- •
最后，通过对真实世界数据集的实验验证，在所评估的各类场景下，我们的方法能够在保证数据效用与隐私保护的同时，实现更低的能耗、更少的任务超时情况，以及更低的信息年龄值，相较于其他对比算法更具优势。
本文的其余部分结构如下：第2节将对相关研究进行综述；第3节将介绍系统模型及优化问题的构建方式；第4节详细阐述所提出的方法；第5节将通过全面的对比实验来评估该算法的性能；最后，第6节会对本研究进行总结，并探讨未来的研究方向。
章节概要
车联网中基于深度强化学习的计算卸载
为确保应用的实时运行，最小化任务延迟已成为基于深度强化学习的计算卸载任务中常见的优化目标。Li等人[29]研究了车联网中任务动态到达与车辆运动相互交织的复杂场景。他们假设任务是可分割的，同时考虑了卸载决策队列与边缘计算队列的状态，以此有效降低整体任务延迟。关于车联网中路边单元的任务卸载问题
系统模型与问题构建
本文的这一部分介绍了系统的相关模型，随后说明了优化问题的构建方式。关键参数及其定义汇总见表2。
方法设计
本节首先介绍了基于车辆实际位置生成扰动位置的方法，接着阐述了动态调整隐私预算的公式。之后，我们描述了使用合适算法解决所提出的优化问题的流程。
实验评估
本节介绍了针对该算法开展的多种实验，用以评估其性能。我们首先说明了实验环境、所用数据集以及用于对比的基准方法。随后，通过多维度分析实验结果，验证该算法的有效性与优越性。
结论
在本文中，我们通过提出一种基于信息年龄优化且具备隐私保护功能的卸载框架，解决了车联网场景中的计算卸载问题，该框架既能够实现任务的实时完成，又能保障车辆位置隐私。具体而言，我们引入信息年龄概念来表征数据的新鲜度，采用地理不可区分机制来保护车辆位置信息，同时动态调整隐私预算，以在隐私泄露与性能优化之间取得平衡。我们已经验证了该方法的
CRediT作者贡献说明
Kai Peng：论文撰写——审阅与编辑，论文撰写——初稿撰写，研究指导，软件开发，资源准备，方法设计，实验研究。Xiaoyue Zhao：论文撰写——审阅与编辑，论文撰写——初稿撰写，软件开发，实验研究。Kunkun Yue：论文撰写——审阅与编辑，论文撰写——初稿撰写，软件开发。Yuanlin Lin：论文撰写——审阅与编辑，论文撰写——初稿撰写，软件开发。Victor C.M. Leung：论文撰写——审阅与编辑，论文撰写——初稿撰写，研究指导。
Kai Peng|Xiaoyue Zhao|Kunkun Yue|Yuanlin Lin|Victor C.M. Leung
