计算机工程

作者：石琼, 段辉, 师智斌

单位：中北大学计算机科学与技术学院, 山西 太原 030051

关键词：移动边缘计算,任务卸载,网络安全,深度强化学习,信任机制

基金：山西省应用基础研究计划(自由探索类面上项目)(20210302123075); 公安部重点实验室基金(2023FMKFKT01)

针对移动边缘计算(MEC)中边缘服务器是否可信的安全性问题, 以及基于深度强化学习(DRL)的任务卸载方案存在收敛慢、波动大的难题, 提出一种基于信任感知和DRL算法的任务卸载方案。首先, 构建基于客观信息熵和历史卸载次数组合赋权的多源反馈信任融合模型, 用于聚合信任反馈信息, 评估边缘服务器的可信度; 然后, 利用基于优先级经验采样的优先经验回放(PER)-SAC算法, 将基站作为智能体, 负责计算任务的卸载决策。实验结果表明, 该方案相较于TASACO、SRTO-DDPG和I-PPO方案, 具有更优的性能和更好的收敛性, 其累积奖励、时延和能耗指标均为最优, 且其收敛速度更快、波动幅度更小, 在多个测试场景下, 相较于TASACO方案能耗性能最少提升5.8%, 最大提升32.2%, 时延性能最少提升8.5%, 最大提升21.3%。

来源：2024年第8期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第8期