.png){kind=icon}
返回
Resource-Aware Secure Multi-Party Edge Computation Offloading
.png){kind=icon}
PRE
AI
DOI：10.1109/tcomm.2026.3714302.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
计算卸载使资源受限用户能够将资源密集型任务委托给更强大的边缘设备（工作者），以减轻用户的计算负载。一个关键挑战是在与不信任设备交互时确保敏感数据的隐私，同时根据资源异构性调整卸载机制。为解决这一挑战，本研究提出了一种资源感知的安全计算卸载框架，其中我们为敏感用户数据和计算结果提供信息论隐私保证，同时根据工作者的通信和计算资源可用性调整安全卸载机制。我们利用离线-在线通信范式，在任务无关的离线阶段执行通信密集型的随机数生成操作，并提出一种神经多臂老虎机机制，以在资源异构性下最小化在线系统延迟。我们的理论分析提供了正式的隐私和遗憾保证，而广泛的评估表明，所提出的框架与常规基线相比，在线任务完成时间快$5.9\times$，与在用户本地执行计算相比，处理时间快$12\times$。
Keyword:
Secure computation offloading
coded computing
information-theoretic privacy
neural bandits
期刊
IF:
8.3
论文数:
1.2W
被引数:
3.6W
机构
引用论文
.png){kind=icon}
分享收藏Joint Parameter-and-Bandwidth Allocation for Improving the Efficiency of Partitioned Edge Learning
OAAI
OAAI分享收藏
Joint Optimization of Task Offloading and Resource Allocation in Tactical Edge Networks战术边缘网络中任务卸载与资源分配的联合优化
PREAI
分享收藏Auction-and-Learning Based Lagrange Coded Computing Model for Privacy-Preserving, Secure, and Resilient Mobile Edge Computing基于拍卖和学习的拉格朗日编码计算模型，用于隐私保护，安全和弹性的移动边缘计算
PREAI
分享收藏Breaking the Quadratic Communication Overhead of Secure Multi-Party Neural Network Training打破安全多方神经网络训练的二次通信开销
PREAI
分享收藏
查看更多内容