边缘计算中基于深度强化学习的任务安全卸载OA

对于计算资源有限的用户设备(UD)而言,处理计算密集型任务较为困难。边缘计算通过将计算资源扩展到网络边缘来处理计算密集型任务,其关键功能之一便是计算任务的合理卸载。如何协调众多边缘节点的计算资源进行任务卸载,且在任务卸载过程中保障数据安全,是其重要挑战。因此,提出一种基于深度强化学习(DRL)的任务安全卸载方法。首先,构建边缘计算网络模型,并为其设计可变的安全防护机制,以适应性地保障数据安全;然后,将边缘计算网络模型和任务目标进行形式化,并将其转化为马尔可夫决策过程(MDP);最后,提出一种基于惩罚动作空间的DRL方法,给出最优的任务卸载策略。仿真结果表明,所提方案可以在进行安全防护的同时,降低时延和能源消耗成本,且始终保持零任务丢失率。