星地数字孪生网络的计算与隐私保护
信号处理
2023-02-20 v1
摘要
星地一体化数字孪生网络（SGIDTNs）被视为创新型网络架构，用于降低网络拥塞、实现从物理世界到数字系统的近即时数据映射，并为地面用户提供泛在智能服务。然而，定价策略、随机任务到达、时变卫星位置、相互信道干扰以及用户与云服务器间的资源调度机制等挑战，对提升SGIDTNs服务质量至关重要。为此，我们建立了一个区块链辅助的Stackelberg博弈模型，以在最小化隐私保护开销方面最大化定价收益与网络吞吐量，从而执行计算卸载、降低信道干扰并加强隐私保护。接着，我们提出了一种基于Lyapunov稳定性理论的模型无关元学习辅助多智能体深度联邦强化学习（MAML-MADFRL）框架，用于优化CPU周期频率、信道选择、任务卸载决策、区块大小与云服务器价格，促进通信、计算与区块资源的整合。随后，大量性能分析表明，所提MAMLMADFRL算法可通过交易验证机制强化隐私保护，逼近最优时间平均惩罚，并以更低计算复杂度满足长期平均队列大小。最后，仿真结果显示，所提MAML-MADFRL学习框架在网络吞吐量、信道干扰、云服务器收益与隐私开销方面优于现有基线方法。
引用
@article{arxiv.2302.08525,
title = {Computation and Privacy Protection for Satellite-Ground Digital Twin Networks},
author = {Yongkang Gong and Haipeng Yao Xiaonan Liu and Mehdi Bennis and Arumugam Nallanathan and Zhu Han},
journal= {arXiv preprint arXiv:2302.08525},
year = {2023}
}