Fed-STSR:融合联邦表示学习与差分隐私的社交感知边缘服务器部署框架

《Big Data and Cognitive Computing》:PrivacyAware Federated Edge Server Placement for Socially Collaborative Mobile Applications

【字体: 大 中 小 】 时间:2026年09月21日 来源:Big Data and Cognitive Computing 5.3

编辑推荐:

   随着协作移动应用的快速普及,边缘计算作为一种实现超低延迟和本地化服务的技术范式应运而生。然而,传统的边缘服务器部署(ESP)策略主要优化物理传输延迟和服务器负载均衡,在很大程度上忽视了由用户社交互动引起的激烈跨服务器通信开销。此外,直接利用细粒度的用户轨迹和社交图谱来指导部署

  随着协作移动应用的快速普及,边缘计算作为一种实现超低延迟和本地化服务的技术范式应运而生。然而,传统的边缘服务器部署(ESP)策略主要优化物理传输延迟和服务器负载均衡,在很大程度上忽视了由用户社交互动引起的激烈跨服务器通信开销。此外,直接利用细粒度的用户轨迹和社交图谱来指导部署会带来严重的隐私风险。本文提出了一种社交感知的边缘服务器部署框架,称为Fed-STSR,其主要贡献是一个多目标优化公式,明确地将用户社交关系与网络延迟、服务迁移和服务器负载均衡集成在一起。为了在不损害用户保密性的情况下实现该框架,联邦表示学习结合经过校准的拉普拉斯差分隐私机制作为使能层,将敏感的时空模式在本地压缩为有界表示。所得到的离散部署问题利用增强的树社交关系(TSR)算法进行求解,该算法在稀疏邻接结构上运行。基于Gowalla和Brightkite数据集映射到真实城市基站布局的大量轨迹驱动仿真结果表明了所提方法的有效性。与最先进的基线方法相比,Fed-STSR将平均服务延迟降低高达31.5%,同时在保持严格的用户级隐私保证的前提下实现了更优的服务器负载均衡。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号