《Knowledge-Based Systems》：A Software-defined Wrapper Discriminant Federated learning-Reinforcement Attention Adversarial Regression Approach for Privacy and Task Management in Cloud Edge Computing
编辑推荐：
云边计算环境下，本研究提出SWDF-RAAR模型，通过融合SDN、联邦学习、强化学习等技术，解决隐私保护、数据规模与资源效率问题。实验表明模型在9个数据集上实现98.73%入侵检测准确率，93% scalability，5.3ms超低延迟。
K. Thangaraj | Koppula Srinivas Rao | Kayam Saikumar | Shruti Garg
信息技术系，索纳技术学院，Junction Main Road，Salem 636005，印度
摘要
近年来，物联网的广泛采用在推动人工智能发展方面发挥了重要作用，它持续生成了大量用于模型训练和决策过程的数据。传统的云边计算范式在处理物联网产生的海量数据时面临诸多挑战，包括高延迟、带宽使用过度、可扩展性有限以及隐私风险。为了解决这些问题，本研究提出了一种新颖的软件定义包装器判别联邦学习-强化注意力对抗回归（SWDF-RAAR）模型。与其他现有研究不同，SWDF-RAAR模型在一个统一的结构中同时解决了隐私分析和智能资源任务管理的问题。在隐私分析方面，该模型整合了软件定义网络、线性判别分析与包装器式双向移除技术、联邦学习以及极端学习机。资源任务管理则通过动态感知器、缩放点积注意力、带图卷积的多层感知器、借助生成对抗网络的深度Q学习以及支持向量机来实现。该模型的主要贡献在于开发了一种可扩展、轻量级且能够保护隐私的模型，既能检测入侵行为，又能提高云边计算环境中的资源任务管理效率。在多种基于安全性的数据集和云边参数上的实验分析表明，该模型达到了98.73%的检测准确率、93%的可扩展性、95%的服务质量、96%的网络效率以及5.3毫秒的延迟。
章节摘录
引言
在现代云边计算环境中，隐私问题是核心关注点。物联网（IoT）设备在包括城市交通、体育和医疗保健在内的多个行业的迅速普及，是服务数字化进程的结果。确保这些设备生成的数据的保密性、完整性和安全性对于建立用户信任、满足监管要求以及防止恶意利用至关重要。
文献综述
本节描述了多篇论文中的研究成果，以便对云边计算中基于RTM（Real-Time Machine Learning）的隐私分析方法有一个全面的了解。
系统模型
图1展示了我们系统的数据驱动活动的三层架构。从下到上依次为感知设备层、MEC（Mobile Edge Computing）层和云计算层。这种分层架构借鉴了先前研究中已建立的MEC和云-IoT框架，通常用于表示任务卸载、资源分配和数据隐私保护等问题。
结果与讨论
本节对所提出的SWDF-RAAR方法的性能进行了多种分析，并对分析结果进行了讨论。
讨论
实验结果清楚地表明，SWDF-RAAR框架为云边计算环境中的隐私、可扩展性和资源效率挑战提供了平衡的解决方案。许多近期研究都关注了云计算环境（CEC）中的隐私、安全和资源管理问题。Alzu’Bi等人[1]强调了在边缘计算（尤其是智能医疗等敏感应用）中高效隐私机制的必要性。
结论
本研究利用机器学习方法提出了一种新的RTM和隐私分析框架。SWDF-RAAR方法有效应对了安全威胁和资源分配问题。实验中使用了AWID-CLS数据集、KDD CUP 99数据集、NSL-KDD数据集、DEFCON数据集、CAIDA数据集、CICDS 2017数据集、ISCX IDS数据集、Bot-IoT数据集和UNSW-NB15数据集来检测入侵攻击。
资助
不适用
数据可用性声明
如需获取支持本研究发现的数据，可向相应作者提出合理请求。
作者贡献
K. Thangaraj：撰写 – 审稿与编辑，初稿撰写
Koppula Srinivas Rao：项目管理，资源协调
Kayam Saikumar：概念构思，调查研究
Shruti Garg：数据整理，可视化处理
CRediT作者贡献声明
K. Thangaraj：撰写 – 审稿与编辑，初稿撰写
Koppula Srinivas Rao：资源协调，项目管理
Kayam Saikumar：调查研究，概念构思
Shruti Garg：
可视化处理，数据整理
利益冲突声明
作者声明没有已知的可能影响本文研究的财务利益或个人关系。
