論文の概要: Enhancing Secrecy Energy Efficiency in RIS-Aided Aerial Mobile Edge Computing Networks: A Deep Reinforcement Learning Approach
- arxiv url: http://arxiv.org/abs/2505.10815v1
- Date: Fri, 16 May 2025 03:18:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-19 14:36:13.962639
- Title: Enhancing Secrecy Energy Efficiency in RIS-Aided Aerial Mobile Edge Computing Networks: A Deep Reinforcement Learning Approach
- Title(参考訳): RIS支援空中エッジコンピューティングネットワークにおけるセキュアエネルギー効率の向上--深層強化学習アプローチ
- Authors: Aly Sabri Abdalla, Vuk Marojevic,
- Abstract要約: 本稿では,再構成可能なインテリジェントサーフェス(RIS)支援無人航空機(UAV)モバイルエッジコンピューティング手法を提案する。
本稿では,航空MECの軌道,タスクオフロード分割,UE送信スケジューリング,RIS位相シフトを協調的に最適化する総合最適化手法を提案する。
数値計算の結果,提案手法はAMECエネルギーを保ちながら正常なタスクオフロードを効果的に保護できることが示唆された。
- 参考スコア(独自算出の注目度): 3.6141428739228894
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper studies the problem of securing task offloading transmissions from ground users against ground eavesdropping threats. Our study introduces a reconfigurable intelligent surface (RIS)-aided unmanned aerial vehicle (UAV)-mobile edge computing (MEC) scheme to enhance the secure task offloading while minimizing the energy consumption of the UAV subject to task completion constraints. Leveraging a data-driven approach, we propose a comprehensive optimization strategy that jointly optimizes the aerial MEC (AMEC)'s trajectory, task offloading partitioning, UE transmission scheduling, and RIS phase shifts. Our objective centers on optimizing the secrecy energy efficiency (SEE) of UE task offloading transmissions while preserving the AMEC's energy resources and meeting the task completion time requirements. Numerical results show that the proposed solution can effectively safeguard legitimate task offloading transmissions while preserving AMEC energy.
- Abstract(参考訳): 本稿では,地上からの送信を地上からの盗難の脅威に対してオフロードすることの課題について検討する。
本研究は, 無人無人航空機(UAV)の安全タスクオフロードを最小化しつつ, タスク完了制約下でのUAVのエネルギー消費を最小限に抑えるために, 再構成可能なインテリジェントサーフェス(RIS)支援無人エッジコンピューティング(MEC)方式を提案する。
データ駆動方式を応用し、航空MEC(AMEC)の軌道、タスクオフロードパーティショニング、UE送信スケジューリング、RIS位相シフトを共同で最適化する包括的な最適化手法を提案する。
本研究の目的は,AMECのエネルギー資源の確保とタスク完了時間要件を満たすとともに,UEタスクオフロードの秘密エネルギー効率(SEE)を最適化することに集中することである。
数値計算の結果,提案手法はAMECエネルギーを保ちながら,正常なタスクオフロードを効果的に保護できることが示唆された。
関連論文リスト
- Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [49.75068823009836]
6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。
本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
論文 参考訳(メタデータ) (2025-05-06T06:46:19Z) - Low-altitude Friendly-Jamming for Satellite-Maritime Communications via Generative AI-enabled Deep Reinforcement Learning [72.72954660774002]
低地球軌道(LEO)衛星は、海上無線通信で広範囲にわたるデータ通信を支援するために使用できる。
LEO衛星を広範囲にカバーし、チャネルの開放性と組み合わせることで、通信プロセスはセキュリティ上のリスクに悩まされる可能性がある。
本稿では無人航空機による低高度衛星通信システムLEOについて述べる。
論文 参考訳(メタデータ) (2025-01-26T10:13:51Z) - Task Delay and Energy Consumption Minimization for Low-altitude MEC via Evolutionary Multi-objective Deep Reinforcement Learning [52.64813150003228]
無人航空機や他の航空機による低高度経済(LAE)は、輸送、農業、環境監視といった分野に革命をもたらした。
今後の6世代(6G)時代において、UAV支援移動エッジコンピューティング(MEC)は特に山岳や災害に遭った地域のような困難な環境において重要である。
タスクオフロード問題は、主にタスク遅延の最小化とUAVのエネルギー消費のトレードオフに対処するUAV支援MECの重要な問題の一つである。
論文 参考訳(メタデータ) (2025-01-11T02:32:42Z) - DRL-Based Federated Self-Supervised Learning for Task Offloading and Resource Allocation in ISAC-Enabled Vehicle Edge Computing [28.47670676456068]
Vehicle Edge Computing(VEC)は、タスクをRoad Side Unit(RSU)にオフロードすることで、この問題に対処する。
改良されたアルゴリズムは、部分的なタスクをROSにオフロードし、送信電力、CPU周波数、タスク割り当て比率を調整することでエネルギー消費を最適化する。
シミュレーションの結果,拡張アルゴリズムは省エネ,オフロード効率の向上,フェデレートSSLの精度の向上を実現している。
論文 参考訳(メタデータ) (2024-08-27T07:28:05Z) - Multi-Objective Optimization for UAV Swarm-Assisted IoT with Virtual
Antenna Arrays [55.736718475856726]
無人航空機(UAV)ネットワークはIoT(Internet-of-Things)を支援するための有望な技術である
既存のUAV支援データ収集および普及スキームでは、UAVはIoTとアクセスポイントの間を頻繁に飛行する必要がある。
協調ビームフォーミングをIoTとUAVに同時に導入し、エネルギーと時間効率のデータ収集と普及を実現した。
論文 参考訳(メタデータ) (2023-08-03T02:49:50Z) - RIS-assisted UAV Communications for IoT with Wireless Power Transfer
Using Deep Reinforcement Learning [75.677197535939]
無人航空機(UAV)通信をサポートするIoTデバイスのための同時無線電力伝送と情報伝送方式を提案する。
第1フェーズでは、IoTデバイスが無線電力転送を通じてUAVからエネルギーを回収し、第2フェーズでは、UAVが情報伝送を通じてIoTデバイスからデータを収集する。
マルコフ決定過程を定式化し、ネットワーク総和率を最大化する最適化問題を解くために、2つの深い強化学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-08-05T23:55:44Z) - Deep Reinforcement Learning for Delay-Oriented IoT Task Scheduling in
Space-Air-Ground Integrated Network [24.022108191145527]
宇宙空間統合ネットワーク(SAGIN)における遅延指向モノのインターネット(IoT)サービスにおけるタスクスケジューリング問題について検討する。
検討されたシナリオでは、無人航空機(UAV)がIoTデバイスからコンピューティングタスクを収集し、オンラインのオフロード決定を行う。
我々の目的は、UAVエネルギー容量の制約により、タスクのオフロードと計算遅延を最小限に抑えるタスクスケジューリングポリシーを設計することである。
論文 参考訳(メタデータ) (2020-10-04T02:58:03Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳(メタデータ) (2020-02-21T02:14:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。