论文部分内容阅读
边缘智能(Edge Intelligence)是一种新兴技术框架。通过将移动边缘计算(Mobile Edge Computing,MEC)与人工智能深度融合,边缘智能实现了边缘网络的智能感知、智能计算与智能决策。学术界与工业界普遍认为,边缘智能是未来6G组网中的关键支撑技术,实现未来通信网络从“万物互联”演变为“万物智联”。与传统的移动边缘计算相比,边缘智能的模型训练与模型更新过程更复杂,传统的资源协同优化方案难以适用。在复杂异构的动态边缘环境下,计算、通信、数据、能量等多维边缘资源共存,如何协同优化有限的边缘资源是亟待解决的难题。与传统的分布式机器学习相比,边缘智能同时具有用户不可控制与数据非独立同分布的显著特征,需研究边缘用户激励机制,分析数据非独立同分布下的学习性能。此外,面向边缘资源安全协同管理的需求,需研究边缘资源的分布式协同共享与安全交易机制。针对新型的人工智能隐私威胁,需进一步研究用户级别的数据资源隐私保护技术。本文围绕边缘智能的资源协同优化与资源安全防护这两个基本问题展开研究,提出了边缘资源动态优化调度机制、合理有效的激励机制、分布式资源安全共享与交易机制以及细粒度差分隐私保护机制,优化了边缘智能的多维资源协同配置,有效地防护了边缘智能的安全威胁。本文的研究成果归纳如下:(1)边缘智能的动态服务编排与资源协同调度。复杂异构的动态边缘环境下,用户地理位置的动态性与随机时变的服务需求给边缘智能的服务编排与优化调度带来挑战。本文提出了基于李雅普诺夫控制理论的动态服务编排方案,设计了多时隙计算与通信资源协同的在线优化调度策略,在系统未来状态与随机需求分布未知情况下,实现了边缘智能服务的长期稳定性。其次,本文综合考虑边缘用户服务延迟敏感性,激励相容性和个人理性,提出了边缘服务在线激励机制,设计了效用最优的服务延迟与服务定价策略,并通过多时隙服务定价激励,实现了边缘用户与服务平台之间的长期稳定协作。本文进一步研究了所提算法的渐进收敛性能,证明了服务积压程度与服务平台收益之间存在的权衡。最后,本文基于电信行业真实数据集进行了仿真实验,实验证明可以通过调整系统参数取得渐进最优的服务平台收益,实现按需的服务编排与优化调度。(2)边缘智能的可信协作激励与资源协同分配。分布式协作的边缘学习中,不可信用户会共享恶意模型参数,同时自私用户仅从协作中获益而不贡献资源。本文提出了基于社交激励的可信与高效边缘学习框架,通过挖掘边缘用户潜在的社交关系,选择可信社交用户作为协作学习者。首先,本文考虑多方信任关系和任务相似度,建立了边缘学习的可信社交关系图模型。其次,本文针对去中心化和中心化的两种边缘学习框架,分别提出了基于社交压力与社交网络外部性的边缘学习策略,通过社交影响力激励高质量边缘学习行为,实现了计算与通信资源的效用最优协同分配。为保护社交信息隐私,本文进一步提出了基于非完全信息博弈的资源协同分配策略。最后,本文基于Facebook社交网络以及MNIST、CIFAR-10等数据集进行仿真评估。实验结果表明资源协同分配策略提升了服务请求者与边缘用户双方的效用,提高了分布式边缘学习效率。(3)边缘智能的资源安全协同共享及交易博弈。边缘智能需进行分布式资源协同共享与安全交易实现智能服务。一方面,针对有限的电池容量与高能量需求的矛盾,本文探索了基于能量收集的稳定可持续边缘智能框架,构建边缘联盟区块链实现了无线能量的安全共享与交易。其次,本文研究了基于能量收集的边缘学习模型,设计了效用最优的无线能量传输策略与通信高效的边缘学习模型,实现全局学习效率的最大化。另一方面,针对分布式知识共享与交易的需求,本文构建知识联盟区块链用于安全的知识管理和交易。同时本文设计了交易证明共识机制,降低了边缘网络的资源消耗。其次,本文构建了边缘知识价值评估模型,设计了基于非合作博弈理论的边缘知识定价策略,激励知识卖方贡献更多本地数据,提供更高质量的边缘知识。(4)边缘智能的用户数据细粒度差分隐私保护。边缘智能通过模型参数共享缓解了隐私风险,但攻击者仍可根据共享模型参数提取或推断原始数据。本文考虑用户间差异化的细粒度隐私偏好,提出了一种异构差分隐私联邦学习框架。首先,在数据非独立同分布的条件下,本文探索了异构差分隐私机制(高斯机制与拉普拉斯机制)对联邦学习算法收敛性的影响,得到了隐私预算与学习性能之间可量化的权衡。其次,在非完全信息下,本文针对连续隐私类型模型和离散隐私类型模型两种情况,分别设计了基于契约理论的效用最优隐私预算与隐私补偿策略,激励边缘用户如实地进行本地差分隐私保护。最后,本文基于MNIST-Fashion与CIFAR-10真实数据集进行了仿真实验。实验结果表明,本文所提框架不仅提升了边缘智能的学习性能,而且满足了边缘用户细粒度的隐私需求。同时本文设计的隐私预算与隐私补偿策略可以满足真实性,个人理性,单调性,并最大化服务请求者的效用。