| 杨仕成*,陈保罗**,陈铁明**,黄亮**.基于联邦元学习的安全移动边缘计算卸载框架[J].高技术通讯(中文),2023,33(12):1265~1275 |
| 基于联邦元学习的安全移动边缘计算卸载框架 |
| Secure mobile edge computation offloading framework via federated meta-learning |
| |
| DOI：10. 3772 / j. issn. 1002-0470. 2023. 12. 004 |
| 中文关键词: 移动边缘计算(MEC)； 隐私保护； 联邦学习； 元学习 |
| 英文关键词: mobile edge computing(MEC), privacy protection, federated learning, meta-learning |
| 基金项目: |
| 作者 | 单位 | | 杨仕成* | （*浙江工业大学信息工程学院杭州 310023）（**浙江工业大学计算机科学与技术学院杭州 310023） | | 陈保罗** | | | 陈铁明** | | | 黄亮** | |
|
| 摘要点击次数: 651 |
| 全文下载次数: 696 |
| 中文摘要: |
| 移动边缘计算(MEC)技术通过卸载部分计算任务到边缘服务器，可将第5代网络(5G)、云计算、大数据和人工智能等技术延伸到物联网终端。针对如何高效卸载计算任务和保障边缘数据隐私安全2个关键问题，在综述计算卸载性能优化研究基础上，本文提出了一种融合联邦学习和元学习的计算卸载应用框架，通过对计算任务的计算卸载以及计算资源的联合优化，从而实现系统加权时延和最小。在不泄露用户数据隐私的前提下，联合多个边缘服务器共同训练一个全局模型，并实现边缘服务器个性化计算卸载应用。在新的计算任务场景下，全局模型的网络参数仅用少量训练样本就能快速收敛。实验测试结果表明，本文提出的基于联邦元学习的计算卸载框架可适应未来边缘计算应用的隐私安全需求。 |
| 英文摘要: |
| Emerging mobile edge computing(MEC) technologies bring 5G, cloud computing, big data, and artificial intelligence technologies close to IoT terminals by offloading computing tasks to edge servers. Aiming to efficiently offload computing tasks and protect user privacy, the existing computing offloading technologies are investigated and a secure computational offloading application framework that integrates federated learning and meta-learning is proposed. Through the joint optimization of computational tasks offloading and computational resource allocation, the proposed algorithm minimizes the weighted sum delay of the system. To protect from revealing user data, jointly training a general model with multiple edge servers, personalized computing offloading on each edge server is achieved. Under a new computational scenario, the parameters of the general model can quickly converge with few training samples. Simulation results show that the proposed federated meta-learning-based computing offloading framework can guarantee privacy security for future mobile edge computing applications. |
|
查看全文
查看/发表评论 下载PDF阅读器 |
| 关闭 |
