边缘计算——云边协同——论文阅读笔记

论文来自： https://ieeexplore.ieee.org/document/9452108
论文题目：Learning-Based Joint Optimization of Energy Delay and Privacy in Multiple-User Edge-Cloud Collaboration MEC Systems

系统模型

云边协作MEC系统的系统模型图解如下：
考虑了一个云边协作MEC系统，该系统由一个不受信任的MEC服务器，一个云服务器以及多个具有能量收集组件（这些组件可以将环境基站的射频信号转换为电能）的移动用户设备组成。我们用M={1,2,…,M}表示用户设备的集合。在时隙t的开始，用户设备生成新任务Am(t)(in bits)，其中m指的是第m个用户设备。每个设备都嵌入了用于支持设备操作的电池和用于临时存储未执行任务的缓冲区，用Qm(t)表示当前存储在缓冲区中的任务大小。因此，第m个用户设备的任务总大小是新任务与缓冲区中任务的总和，用Am(t)+Qm(t)表示。
下图描绘了用户设备的任务卸载过程。

1. 本地计算模型

2. 卸载计算模型

我们认为，来自特定用户设备的卸载任务可以传输到MEC服务器或云服务器。将任务卸载到具有丰富计算资源的服务器可以帮助用户设备大大减少其工作负载，但是卸载本身的过程会导致额外的传输延迟和能量成本。首先，无论卸载到MEC服务器还是云服务器，用户设备都必须通过嵌入式天线将任务发送到MEC服务器，这绝对是一个耗时且耗能的时期。具体地，通过无线通道从用户设备到MEC服务器的传输周期期间，传输延迟为：


此外，我们假设服务器具有丰富的计算资源。换句话说，每个用户设备都可以访问服务器的足够的计算资源，以便边缘服务器或云服务器可以在一个时隙中成功地处理所有到达任务。此外，我们没有考虑由MEC服务器的任务发送和两个服务器的计算操作产生的能源成本，因为两个服务器是电网供电的，因此具有连续的电源。

3. 能量收集模型

4. 隐私保护模型

5. 问题建模

基于深度强化学习的隐私保护任务卸载策略将会在下一篇博客中进行讲解，本篇着重讲述这篇论文的建模部分。