面向协同边缘推理服务的隐私感知 DNN 模型部署与分区优化
机器学习
2025-05-30 v3 人工智能
密码学与安全
网络与互联网体系结构
摘要
边缘推理 (EI) 已成为解决云端深度神经网络 (DNN) 推理服务面临的高响应延迟、受限可扩展性和严重数据隐私暴露等问题的有前景的范式。然而，在资源受限的边缘设备上部署 DNN 模型会引入额外挑战，包括计算/存储资源有限、服务需求动态变化以及隐私风险增加。为应对这些问题，本文提出了一种新颖的隐私感知优化框架，联合解决 DNN 模型部署、用户-服务器关联和模型分区问题，旨在资源和隐私约束下最小化长期平均推理延迟。该问题被建模为一个复杂的、NP-hard 的随机优化问题。为高效处理系统动态和计算复杂度，本文采用 Lyapunov 方法将长期目标转化为可计算的单时槃决策。此外，本文引入联合形式化游戏以实现自适应的用户-服务器关联，并设计一种用于每个联合内部的模型部署的贪心算法。大量仿真实验表明，所提出的算法显著减少推理延迟，并在持续满足隐私约束方面优于各类基线方法。
引用
@article{arxiv.2502.16091,
title = {Privacy-Aware Joint DNN Model Deployment and Partitioning Optimization for Collaborative Edge Inference Services},
author = {Zhipeng Cheng and Xiaoyu Xia and Hong Wang and Minghui Liwang and Ning Chen and Xuwei Fan and Xianbin Wang},
journal= {arXiv preprint arXiv:2502.16091},
year = {2025}
}
备注
14 pages