移动区块链中利用深度强化学习的隐私保护任务卸载
信号处理
2020-07-24 v2
摘要
区块链技以其安全、透明与去中心化特性近来已被用于众多移动应用。然而，移动区块链中的挖矿过程对移动设备的高计算与存储能力有所要求，这将阻碍区块链在移动系统中的部署。为应对该挑战，我们提出一种基于移动边缘计算（MEC）的区块链网络，其中多个移动用户（MUs）作为矿工经由无线信道将其挖矿任务卸载至邻近的 MEC 服务器。具体而言，我们将任务卸载与用户隐私保护构建为一个联合优化问题，并建模为马尔可夫决策过程，其目标是最小化长期系统卸载代价并最大化所有区块链用户的隐私水平。我们首先提出一种基于强化学习（RL）的卸载方案，使 MUs 能依据区块链交易状态及 MUs 与 MEC 服务器间的无线信道质量做出最优卸载决策。为进一步提升更大规模区块链场景下的卸载性能，我们随后利用深度 Q 网络（deep Q-network）开发了深度 RL 算法，其可在无需任何系统动态先验知识的情况下高效求解大状态空间。仿真结果表明，相较于基准卸载方案，所提基于 RL 的卸载方案显著增强了用户隐私，并以最小卸载代价降低了能耗与计算时延。
引用
@article{arxiv.1908.07467,
title = {Privacy-Preserved Task Offloading in Mobile Blockchain with Deep Reinforcement Learning},
author = {Dinh C. Nguyen and Pubudu N. Pathirana and Ming Ding and Aruna Seneviratne},
journal= {arXiv preprint arXiv:1908.07467},
year = {2020}
}
备注
Accepted at IEEE Transactions on Network and Service Management