基于可信联邦学习的MEC计算资源分配策略研究.pdfVIP

摘要

在移动边缘计算网络中，通过高效的计算资源调度以最大化计算资源利用率，对于

实现边缘智能至关重要。边缘智能以更低的时延和更高的响应速度满足了边缘用户的需

求，但仍面临着如边缘设备的资源有限、安全性和隐私等问题。

联邦学习技术利用了存储在多个用户节点上的海量数据实现全局最优的机器学习

模型的训练，在不泄露用户的原始数据的前提下，可以充分利用分布式数据来预测未来

的系统计算资源需求，执行更精确的计算资源调度策略。然而，在传统的联邦学习框架

下，实现参数聚合的中央聚合器会造成单点漏洞和用户隐私泄露，恶意节点可能带来拜

占庭式攻击，如中毒攻击以及成员推理攻击。这些遗留问题导致联邦学习过程的安全性

能受到影响，亟需引入新的技术提高联邦学习过程的可信度与可靠性。针对上述问题，

本文通过引入区块链技术改进传统联邦学习框架，设计了一种基于可信联邦学习的移动

边缘计算资源分配策略，在满足用户时延需求的前提下，安全、合理地为边缘服务器分

配计算资源。本文的主要工作和创新点如下：

(1)针对移动边缘计算场景，设计了一种通用可信的区块链辅助联邦学习框架。采用

了区块链代替传统联邦学习框架中的中央聚合器，实现了学习过程中的参数聚合，有效

地避免了单点漏洞问题。同时，针对联邦学习框架中的拜占庭式攻击，提出了一种基于

控制序列的匹配审计机制，实现了对联邦学习过程中参数的真实性以及参与者动机的审

计。提出的审计机制最大程度地避免了审计过程中的隐私泄露问题。仿真结果表明，本

文设计的区块链辅助联邦学习框架可以有效地降低联邦学习过程的共识时间以满足边

缘网络的低时延需求。同时，提出的审计机制实现了高效的一对一审计过程，以抵御对

联邦学习过程中的拜占庭式攻击。

(2)针对支持网络功能虚拟化的移动边缘计算网络中的最优计算资源分配问题，在提

出的区块链辅助联邦学习框架基础上，设计了一种分布式的深度强化学习算法，实现了

安全、合理的计算资源分配。同时，对算法进行了隐私保护和安全性的理论分析，证明

了设计的算法可以抵御该系统下可能存在的拜占庭式攻击。仿真结果表明，提出的算法

可以在支持网络功能虚拟化的移动边缘计算系统中获得最优的计算资源分配策略，在满

足用户时延需求的前提下，最大化系统的计算资源利用率。同时，该算法在抵御联邦学

习框架中的拜占庭式攻击中也展现了良好的性能。

关键词：移动边缘计算；计算资源分配；深度强化学习；联邦学习；区块链

Abstract

Inmobileedgecomputing(MEC)networks,efficientschedulingofcomputingresources

tomaximizecomputingresourceutilizationiscrucialtoachieveedgeintelligence.Edge

intelligencemeetstherequirementsofedgeuserswithlowerlatencyandhigherresponsespeed.

However,itstillfaceschallengessuchaslimitedresourcesofedgeservers,security,and

privacyconcerns.

Federatedlearningtechnologyutilizesmassivedatastoredonmultipleusernodesto

achieveglobaloptimalmachinelearning-basedmodeltraining,whichmeansItcanfully

leveragedistributeddatatopredictfuturecomputingresourcedemandsofsystemandperforms

moreprecisecomputingresourceschedulingstrategywit