多用户MEC系统中基于深度强化学习的保护用户隐私的任务卸载机制技术方案

本发明专利技术涉及一种多用户MEC系统中基于深度强化学习的保护用户隐私的任务卸载机制，包括：敌手攻击模块，用于模拟敌手(即不可信的MEC服务器)获取用户的使用模式隐私和位置隐私的行为；系统卸载决策模块，用于模拟系统中每个设备在每个时隙中对任务的五种卸载决策；基于深度强化学习的保护用户隐私的任务卸载模块，在已知和多组对的背景下求解并且将这其中对应的最优解保存到训练集中以便算法进行进一步学习，并且使用训练集来训练算法，使其更快学到在不同的中输出最优的对使获得最大值。本发明专利技术可以揭露多用户MEC系统中隐私泄露问题从而进一步降低用户隐私泄露的风险并且实现MEC系统任务卸载过程中计算速度、能耗和隐私保护的联合优化。隐私保护的联合优化。隐私保护的联合优化。

【技术实现步骤摘要】
多用户MEC系统中基于深度强化学习的保护用户隐私的任务卸载机制


[0001]本专利技术涉及通信
，具体涉及一种多用户MEC系统中基于深度强化学习的保护用户隐私的任务卸载机制。

技术介绍

[0002]近年来，用户移动设备装载的应用服务越来越丰富、越来越智能，因此移动设备也逐渐地充当微型计算机被用户使用。用户终端设备往往运行各种对延迟敏感的应用程序，比如交互式增强现实游戏、面部识别应用程序，以及等等。但终端设备的功率和计算、存储资源往往是有限的，因此不能很好的支持这些时延敏感型应用服务。幸运的是，与集中式云计算不同，移动边缘计算(MEC)近年来被提出，能够支持移动设备传输计算密集型任务到边缘服务器(如功能强大的笔记本电脑和基站等)，边缘服务器往往具有更多的计算、通信、存储资源，极大地减少了终端设备的工作量和时间延迟。因此，研究MEC中任务的卸载机制很有必要，通过最优的卸载决策达到最小的成本消耗和最小的时延，极大地支撑了终端设备对应用服务的承载能力。

技术实现思路

[0003]一种多用户MEC系统中基于深度强化学习的保护用户隐私的任务卸载机制，可以揭露多用户MEC系统中隐私泄露问题从而进一步降低用户隐私泄露的风险并且实现MEC系统任务卸载过程中计算速度、能耗和隐私保护的联合优化。
[0004]为达到上述目的，一个实施例中采用以下技术方案：
[0005]一种多用户MEC系统中基于深度强化学习的保护用户隐私的任务卸载机制，包括步骤：敌手攻击模块，机制建立模块，机制优化模块。
[0006]一种多用户MEC系统中基于深度强化学习的保护用户隐私的任务卸载机制，其特征在于：
[0007]敌手攻击模块：模拟敌手(即不可信的MEC服务器)获取用户的使用模式隐私和位置隐私的行为；
[0008]一种多用户MEC系统中基于深度强化学习的保护用户隐私的任务卸载机制，其特征在于：
[0009]机制建立模块：模拟服务器与多用户之间的无线信道能量增益，用户设备的计算能力和能耗限制，并在此基础上模拟本地任务计算和边缘任务计算，从而建立隐私保护机制；
[0010]一种多用户MEC系统中基于深度强化学习的保护用户隐私的任务卸载机制，其特征在于：
[0011]机制优化模块：联合优化用户计算速度和隐私保护，获得更强的计算能力和更强的隐私保护能力，并且评估本算法的性能。
附图说明
[0012]图1是移动边缘计算和MEC中任务卸载过程中的隐私泄露示意图；
[0013]图2是系统模型和时间分配示意图；
[0014]图3是基于深度强化学习的保护用户隐私任务卸载机制流程图；
具体实施方式
[0015]下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
[0016]图1示出移动边缘计算和MEC中任务卸载过程中的隐私泄露示意图。如图1所示，移动用户u3在t1时刻将任务卸载到MEC服务器S1上，并且在t2时刻本地计算任务。这样，MEC服务器S1就可以推断出移动用户u3在时间段(t1,t2)期间正在远离服务器S1所在的位置，因为在远离MEC服务器时，用户的无线信道状态会变得恶劣，所以设备会更倾向于本地计算任务。更糟糕的是，当MEC服务器S1、S2和S3相互串通时，他们就可以推断出u3的准确轨迹。具体地说，u3在t3时刻又将任务卸载到MEC服务器S2。这样，MEC服务器S1、S2和S3可以推断出用户u3在不经过MEC服务器S3的覆盖区域的情况下从MEC服务器S1的覆盖区域移动到MEC服务器S2的覆盖区域。结果就是，用户u3的行动轨迹完全被MEC服务器S1、S2和S3所获取。
[0017]如图1所示，MEC服务器S1可以记录和分析在时间段t1～t3内来自u3和t1时段内来自移动用户u1，u2的卸载任务的大小，因为用户在移动设备上运行不同的应用程序会表现出不同的使用模式隐私。例如，当特定孕妇在运行婴儿护理应用程序时会表现出与上班族完全不同的使用模式。此外，一个沉迷于游戏的年轻人与一个在手机上运行健康监测应用程序的患者也会表现出不一样的使用模式。简言之，独特的用户表现出独特的使用模式，这种独特的使用模式可以帮助不受信任的MEC服务器从一组匿名用户中识别出特定的用户。
[0018]在敌手模型中，假设MEC服务器是不可信的，并被认定为是一个敌手。这意味着，一方面，MEC服务器会如实地接收用户卸载的任务，执行计算，并将相应的结果返回给用户。另一方面，它也可能为了商业利益等原因试图入侵用户的位置隐私和使用模式隐私。接下来将详细介绍对手的背景知识和目标。其中敌手的知识获取，用户将其任务卸载给敌手(即不可信的MEC服务器)，敌手会计算结果并将这些结果返回给用户。在这个过程中，假定敌手知道发送任务的源设备，并且还知道所到达任务的大小(以比特为单位)。具体来说，当敌手收到一个任务时，它可以知道任务是从哪里发出的，也可以知道任务的大小。其中敌手的目标是致力于获取用户的两种隐私信息，即使用模式隐私和位置隐私。具体地说，当敌手服务器接收到一个任务时，它首先会获得当前时刻其与设备之间的信道质量信息。如果信道条件足够好，敌手可以借助一定的背景信息(即源设备和到达任务的大小)，获得用户的使用模式隐私。在这种情况下，隐私泄露的程度与用户的卸载任务大小有关。而当信道条件较差并且敌手没有接收到任务的情况下，敌手可以就此推断出用户的位置隐私。也就是说，敌手可以推断出用户和服务器之间的距离，因为在信道条件较差时，用户更有可能本地计算任务。
[0019]图2示出系统模型和时间分配示意图。如图2所示，所建立的MEC系统包含一个MEC服务器和M个无线移动设备。MEC服务器由稳定的电源供电，而这些移动设备由MEC服务器通
过射频技术(Radio Frequency,RF)进行无线充电。值得注意的是，MEC服务器可以同时给多个设备进行充电，移动设备可以存储这些电量用于计算任务以及传输任务。出于稳定性的考虑，无线移动设备仅在每个时隙的开始时进行一次充电。假定每个时隙的长度为T，时隙的集合被定义为的集合被定义为这些无线设备的集合被定义为在任意时隙中的每个设备都会产生计算任务，这些任务可以被本地计算也可以被卸载到MEC服务器。为了数据的安全，假定本系统中无线设备所产生的任务都是不能分割的，所以无线设备在一个时隙内产生的任务只能在本地被处理或被卸载到MEC服务器进行处理。和被定义为两个相互独立的集合，其中是选择本地执行任务的设备集合，则是选择将任务卸载到MEC服务器的设备集合，因此得到
[0020]系统中每个设备在每个时隙中对任务有五种卸载决策，可以用五个指标来分别表示这五种决策，即和其中卸载决策表示无线设备m本地执行这个时隙所产生的任务，卸载决策表示无线设备m将本时隙所产生的任务卸载到MEC服务器但不保护用户的隐私，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多用户MEC系统中基于深度强化学习的保护用户隐私的任务卸载机制，其特征在于，包括：敌手攻击模块，用于模拟敌手(即不可信的MEC服务器)获取用户的使用模式隐私和位置隐私的行为；机制建立模块，用于模拟服务器与多用户之间的无线信道能量增益，用户设备的计算能力和能耗限制，并在此基础上模拟本地任务计算和边缘任务计算，从而建立隐私保护机制；机制优化模块，用于联合优化用户计算速度和隐私保护，获得更强的计算能力和更强的隐私保护能力，并且评估本算法的性能。2.根据权利要求1所述的多用户MEC系统中基于深度强化学习的保护用户隐私的任务卸载机制，其特征在于，所述敌手攻击模块基于敌手服务器接收到任务获得的当前时刻其与设备之间的信道质量信息和一定的背景信息(即源设备和到达任务的大小)，从而获得用户的使用模式隐私和位置隐私。3.根据权利要求1所述的多用户MEC系统中基于深度强化学习的保护用户隐私的任务卸载机制，其特征在于，所述机制建立模块，需要考虑服务器与多用户之间的无线信道能量增益，用户设备的计算能力和能耗限制，并在此基础上建立本地任务计算模型和边缘任务计算模型，然后通过改变用户的卸载策略以及冗余保护信息来建立隐私保护模型。4.根据权利要求3所述的多用户MEC系统中基于深度强化学习的保护用户隐私的任务卸载机制，...

【专利技术属性】
技术研发人员：王中林，
申请(专利权)人：宁波财经学院，
类型：发明
国别省市：