論文の概要: Entropy-Aware Task Offloading in Mobile Edge Computing

• arxiv url: http://arxiv.org/abs/2603.16949v1
• Date: Mon, 16 Mar 2026 18:02:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-19 18:32:57.292652
• Title: Entropy-Aware Task Offloading in Mobile Edge Computing
• Title（参考訳）: モバイルエッジコンピューティングにおけるエントロピーを考慮したタスクオフロード
• Authors: Mohsen Sahraei Ardakani, Hong Wan, Rui Song,
• Abstract要約: この研究は、無線通信によって引き起こされるプライバシー問題、すなわち利用パターンと位置情報のプライバシーに焦点を当てている。 マルコフ決定プロセス(MDP)のタスクオフロードに対するこれらのプライバシ懸念の影響に対処し,DRQN(Deep Recurrent Q-Netwrok)を用いてMDPを解く。
• 参考スコア（独自算出の注目度）: 5.72960498613472
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mobile Edge Computing (MEC) technology has been introduced to enable could computing at the edge of the network in order to help resource limited mobile devices with time sensitive data processing tasks. In this paradigm, mobile devices can offload their computationally heavy tasks to more efficient nearby MEC servers via wireless communication. Consequently, the main focus of researches on the subject has been on development of efficient offloading schemes, leaving the privacy of mobile user out. While the Blockchain technology is used as the trust mechanism for secured sharing of the data, the privacy issues induced from wireless communication, namely, usage pattern and location privacy are the centerpiece of this work. The effects of these privacy concerns on the task offloading Markov Decision Process (MDP) is addressed and the MDP is solved using a Deep Recurrent Q-Netwrok (DRQN). The Numerical simulations are presented to show the effectiveness of the proposed method.
• Abstract（参考訳）: モバイルエッジコンピューティング(MEC)技術は、時間に敏感なデータ処理タスクを伴う限られたモバイルデバイスのリソース化を支援するために、ネットワークのエッジでのコンピューティングを可能にするために導入された。 このパラダイムでは、モバイルデバイスは計算量の多いタスクを無線通信を介して、より効率的なMECサーバにオフロードすることができる。 その結果,モバイルユーザのプライバシを排除し,効率的なオフロード方式の開発に焦点が当てられている。 ブロックチェーン技術はデータのセキュアな共有のための信頼メカニズムとして使用されているが、無線通信によって引き起こされるプライバシー問題、すなわち、使用パターンと位置プライバシーがこの作業の中心である。 これらのプライバシの懸念がMarkov Decision Process(MDP)のタスクオフロードに与える影響に対処し、Deep Recurrent Q-Netwrok(DRQN)を用いてMDPを解決する。 提案手法の有効性を示す数値シミュレーションを行った。

関連論文リスト

• Efficient Quantum-resistant Delegable Data Analysis Scheme with Revocation and Keyword Search in Mobile Cloud Computing [11.086273195946996]
  本稿では,リボケーションとキーワード検索を併用した効率的な量子耐性復号性データ解析手法を提案する。 提案方式では,認証されたモバイルデバイスがキーワード検索を行い,内部積の値を暗号化データ上で計算することができる。 我々のスキームは、量子攻撃に対する標準モデルで正式に証明されている。
  論文  参考訳（メタデータ） (2025-12-15T02:07:52Z)
• Intra-DP: A High Performance Collaborative Inference System for Mobile Edge Computing [67.98609858326951]
  Intra-DPはモバイルデバイス上でのディープニューラルネットワーク(DNN)に最適化された高性能な協調推論システムである。 推論毎のレイテンシを最大50%削減し、最先端のベースラインと比較してエネルギー消費量を最大75%削減する。 評価の結果,DP内の遅延は,最先端のベースラインと比較して最大50%,エネルギー消費は最大75%減少することがわかった。
  論文  参考訳（メタデータ） (2025-07-08T09:50:57Z)
• Collaborative Inference over Wireless Channels with Feature Differential Privacy [57.68286389879283]
  複数の無線エッジデバイス間の協調推論は、人工知能(AI)アプリケーションを大幅に強化する可能性がある。 抽出された特徴を抽出することは、プロセス中に機密性の高い個人情報が暴露されるため、重大なプライバシーリスクをもたらす。 本稿では,ネットワーク内の各エッジデバイスが抽出された機能のプライバシを保護し,それらを中央サーバに送信して推論を行う,新たなプライバシ保存協調推論機構を提案する。
  論文  参考訳（メタデータ） (2024-10-25T18:11:02Z)
• Homomorphic Encryption-Enabled Federated Learning for Privacy-Preserving Intrusion Detection in Resource-Constrained IoV Networks [20.864048794953664]
  本稿では,IoV(Internet-of-Vehicles)におけるフェデレーション学習(FL)ベースの侵入検知システム(IDS)におけるデータプライバシ問題に,限られた計算資源で対処する新しい枠組みを提案する。 まず,同相暗号を用いた高効率なフレームワークを提案し,処理に中央集中型サーバにオフロードを必要とするデータを保護する。 我々は、FLベースのシステムの課題を暗号化データで処理するための効果的なトレーニングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-07-26T04:19:37Z)
• The Security and Privacy of Mobile Edge Computing: An Artificial Intelligence Perspective [64.36680481458868]
  Mobile Edge Computing (MEC)は、クラウドコンピューティングと情報技術(IT)サービスをネットワークのエッジで配信できるようにする新しいコンピューティングパラダイムである。 本稿では,人工知能(AI)の観点からMECのセキュリティとプライバシに関する調査を行う。 新たなセキュリティとプライバシの問題に加えて、AIの観点からの潜在的なソリューションにも重点を置いています。
  論文  参考訳（メタデータ） (2024-01-03T07:47:22Z)
• Differentially Private Deep Q-Learning for Pattern Privacy Preservation in MEC Offloading [76.0572817182483]
  攻撃者は、エッジサーバ(ES)のキュー情報とユーザの使用パターンを推測するために、オフロードの決定を盗み取ることができる。 パターンプライバシ(PP)を維持しつつ,レイテンシ,ESのエネルギー消費,タスク削減率を両立させるオフロード戦略を提案する。 そこで我々はDP-DQOアルゴリズムを開発し,PP問題にノイズを注入することでこの問題に対処する。
  論文  参考訳（メタデータ） (2023-02-09T12:50:18Z)
• Mobile Edge Computing, Metaverse, 6G Wireless Communications, Artificial Intelligence, and Blockchain: Survey and Their Convergence [14.855306407950058]
  本稿では,現代の応用の厳密な要件を満たすために使用される計算パラダイムについて検討する。 モバイル拡張現実(MAR)におけるMECの適用シナリオを提供する。 本稿では,MECをベースとしたMetaverseのモチベーションを示し,MetaverseへのMECの適用について紹介する。
  論文  参考訳（メタデータ） (2022-09-28T14:54:06Z)
• AI-Empowered Data Offloading in MEC-Enabled IoV Networks [40.75165195026413]
  本稿では、信頼性、セキュリティ、エネルギー管理、サービス販売者利益の4つの主要な問題に基づいて分類された、データオフロードプロセスの一部としてAIを使用する研究を調査する。 MEC対応のIoVネットワークでデータをオフロードするプロセスにおけるさまざまな課題として、高いモバイル環境における信頼性のオフロード、同一ネットワーク内のユーザに対するセキュリティ、ネットワークへの不活性化を防ぐためのエネルギ管理などがある。
  論文  参考訳（メタデータ） (2022-03-31T09:31:53Z)
• Distributed Reinforcement Learning for Privacy-Preserving Dynamic Edge Caching [91.50631418179331]
  MECネットワークにおけるデバイスのキャッシュヒット率を最大化するために,プライバシ保護型分散ディープポリシー勾配(P2D3PG)を提案する。 分散最適化をモデルフリーなマルコフ決定プロセス問題に変換し、人気予測のためのプライバシー保護フェデレーション学習手法を導入する。
  論文  参考訳（メタデータ） (2021-10-20T02:48:27Z)
• Multi-Agent Reinforcement Learning Based Coded Computation for Mobile Ad Hoc Computing [6.94732606123235]
  マルチエージェント強化学習(MARL)に基づく新しい符号化計算方式を提案する。 MARLには、ネットワーク変更への適応性、高い効率性、不確実なシステム障害に対する堅牢性など、多くの有望な特徴がある。 包括的シミュレーション研究により,提案手法は最先端分散コンピューティングスキームを上回ることができることが示された。
  論文  参考訳（メタデータ） (2021-04-15T15:50:57Z)
• Communication Efficient Federated Learning with Energy Awareness over Wireless Networks [51.645564534597625]
  フェデレートラーニング(FL)では、パラメータサーバとモバイルデバイスが無線リンク上でトレーニングパラメータを共有する。 我々は、勾配の符号のみを交換するSignSGDという考え方を採用する。 2つの最適化問題を定式化し、学習性能を最適化する。 FLでは非常に不均一な方法でモバイルデバイスに分散される可能性があることを考慮し,手話に基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-04-15T21:25:13Z)

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。