面向车辆元宇宙的攻击导向双胞胎迁移的混合生成扩散模型

车辆元宇宙被设想为一种融合式的沉浸式领域，旨在为汽车行业带来革命性的变革。作为车辆元宇宙的核心组件，车辆双胞胎（Vehicle Twins, VTs）是覆盖车辆整个生命周期的数字双胞胎，为车辆元宇宙用户（VMUs）提供沉浸式虚拟服务。资源受限的车辆将构建和更新双胞胎的计算密集型任务卸载到边缘服务器，并在这些服务器之间迁移双胞胎，以确保为 VMUs 提供无缝且沉浸式的体验。然而，车辆的高速移动、边缘服务器的不均匀部署以及潜在的安全威胁，构成了实现高效可靠双胞胎迁移的挑战。为此，我们提出了一个面向车辆元宇宙的安全可靠双胞胎迁移框架。具体而言，我们设计了一个两层信任评估模型，全面评估网络通信和交互层中边缘服务器的声誉价值。随后，我们将双胞胎迁移问题建模为部分可观测马尔可夫决策过程，并基于深度强化学习设计了一个混合生成扩散模型（Hybrid-Generative Diffusion Model, GDM）算法，通过采取混合动作（即连续动作和离散动作）来生成最优迁移决策。数值结果表明，混合-GDM算法优于基线算法，显示出在各种设置下的强大适应性，凸显了混合-GDM算法在解决车辆元宇宙中各种优化问题的潜力。