基于联邦学习的边缘计算网络资源调度与隐私保护机制

《Journal of Cyber Security and Mobility》：Edge Computation Network Resource Scheduling and Privacy Protection Mechanism Based on Federated Learning

边缘计算环境下基于联邦学习的资源优化与隐私保护机制研究。通过分层联邦学习与拉格朗日优化实现动态资源调度，结合本地差分隐私和同态加密构建端到端隐私保护体系，实验表明在100GB数据量下任务延迟1250ms，隐私预算提升0.26效率衰减系数，100节点场景下单轮通信量1.5MB，网络波动5级时丢包率仅3.3%。

　　

摘要：

边缘设备的多样性和不可预测的网络环境，加上物联网设备的快速扩展，导致了资源调度效率低下和隐私泄露的风险。为了解决动态环境中的资源竞争问题，确保资源受限的边缘设备的安全性，并提高边缘计算网络中的资源调度和隐私保护效率，本研究基于联邦学习设计了一种网络计算资源优化和数据安全保护方案。该研究方法将联邦学习与边缘计算深度融合，采用分层联邦学习技术来解决资源调度问题，并利用拉格朗日优化方法获得资源调度的封闭形式解。通过结合局部差分隐私和同态加密技术，设计了噪声注入、掩码机制和密文计算方案来保护数据隐私和安全。实验结果表明，当数据量为100 GB时，研究方法的任务完成延迟为1250毫秒。此外，当隐私预算从0.1增加到10时，效率值仅下降了0.26%。在实际应用测试中，当客户端数量为100时，研究方法的每轮通信量为1.5MB。当网络波动程度从1级增加到5级时，数据丢失率仅增加了3.3%。以上结果表明，本研究提出的基于联邦学习的边缘计算网络资源调度和隐私保护机制具有很高的实用性、鲁棒性和安全性，有效解决了边缘计算网络中资源调度效率低、适应性差和隐私保护能力不足的问题。

引言

由于人工智能（AI）和物联网（IoT）的快速发展，大量终端设备产生的数据量正在呈指数级增长。然而，在将这些原始数据发送到云端的过程中会消耗大量带宽。据调查显示，在工业物联网场景中，数据传输能耗占总能耗的60%以上[1]。这包括云端远程处理可能导致的响应延迟，从而直接引发安全事故，并使得满足工业控制、远程手术和自动驾驶等实时应用的毫秒级需求变得困难[2]。边缘计算（EC）通过将计算能力转移到网络边缘并在本地处理数据，可以减少延迟并降低对云的依赖[3]。然而，边缘节点的计算能力、频谱和存储资源有限且分布不均。因此，需要动态调度多用户任务以避免因负载不平衡导致任务失败。此外，边缘节点更容易受到物理攻击。如果本地数据未加密或匿名化，可能会被用于反推用户行为模式[4]。联邦学习（FL）采用“数据留在本地，模型移动”的模式：终端设备在本地完成模型训练后，仅将模型权重参数传输到边缘服务器（ESs）进行全局聚合，从而有效防止原始数据泄露[5]。为了在确保隐私的同时实现高效的资源调度（RS），本研究创新性地设计了一种基于FL的EC资源优化和数据安全保护方案。该研究通过三层架构实现动态资源优化，定义了局部损失函数（LFs）和延迟模型，并结合拉格朗日方法优化功率分配和卸载决策。通过集成局部差分隐私（LDP）和同态加密（HE）技术，构建了“云-边-端”端到端隐私保护（PP）系统。通过噪声注入、安全聚合和动态隐私预算更新，确保了数据在传输和计算过程中的安全性。预计本研究方法将为物联网设备在不同场景下的RS和PP提供理论支持。