yxx的博客

该论文使无人机和智能反射面结合，旨在在有限的时间范围内最大限度地提高UAV–RIS的总能量收集效率，同时满足用户所需的最小吞吐量约束。

（当深度强化学习遇到联邦学习：5G超密集网络中多接入边缘计算的智能多时间尺度资源管理）IEEE INTERNET OF THINGS JOURNAL。本文使用到了两时间刻度的DQN，DQN的简单介绍如下，参考的博客见图片水印。下图为个人理解的整体算法套用过程，可能和原文有出入，仅供参考，以原作者为主。T1服务放置为慢时间刻度，T2卸载决策和资源分配为快时间刻度。实验部分不在此是赘述，感兴趣可以阅读原文。本文讨论的问题在上图一个蜂窝内进行研究。卸载分为在本地、边缘服务器和其他设备。

当前云服务器面对DDos攻击时已有了较为成熟的抵御机制，但边缘服务器由于物理尺寸和延迟需求的限制，针对云服务器的抵御方法一般不适用于边缘服务器。由于在边缘计算环境中，部署在不同基站的相邻边缘服务器之间可以通过高速链路、或基于边缘云架构的宏基站进行通信和数据传输，形成了边缘服务器网络。可以通过将请求从目标边缘服务器转移到相邻的边缘服务器，利用其协作能力缓解边缘分布式DoS攻击。（它实际上没有排除DDos攻击，而是让整个边缘服务器环境去平衡大量的请求）

边缘计算卸载分配最优服务器的论文