基于移动边缘计算的任务卸载及隐私保护问题综述

Task Offloading Based on Mobile Edge Computing and Its Privacy-Preserving Issues： A Survey

摘要

随着5G移动通信技术和人工智能的飞速发展，互联网正处于数据爆炸时期，传统云计算模式在存储和处理海量原始数据时出现严重的带宽和能耗问题。移动边缘计算作为一种在用户侧提供移动终端设备所需服务的新型计算模式应运而生，它能有效解决传统云计算模式中出现的显著瓶颈问题。任务卸载服务是移动边缘计算的核心应用之一。与此同时，任务卸载给多种数据安全与隐私带来挑战。围绕移动边缘计算任务卸载这一领域，介绍了移动边缘计算的基本概念、模型架构和应用场景；分别从三种不同的卸载目标对任务卸载方案研究现状进行总结对比；通过分析任务卸载过程存在的不同隐私威胁类型，详细阐述了任务卸载隐私保护领域中应对不同隐私威胁的现有研究工作，并归纳总结出该领域未来可能面临的一些挑战。

Abstract

Recently, with the rapid development of 5G mobile communication technology and artificial intelligence, the Internet has been in a period of data explosion. This situation poses severe bandwidth and energy consumption problems for the traditional cloud computing model storing and processing massive amounts of data. Moreover, Mobile Edge Computing (MEC) emerges as a new computing model which can effectively solve the significant bottleneck problems that arise in the traditional cloud computing model. Task offloading service is one of the core applications of MEC. Focusing on the field related to task offloading of MEC, this paper first introduces the basic concepts, model architecture, and application scenarios of MEC and then summarizes and compares the research achievements of task offloading schemes from three different offloading objectives. Finally, analyzing the different types of privacy threats in the task offloading process, it reviews the existing works and summarizes future research challenges.

Graphical abstract

关键词

移动边缘计算 / 任务卸载 / 资源分配 / 隐私保护

Key words

mobile edge computing / task offloading / resource allocation / privacy protection

0　 引 言

随着5G时代的开启和物联网的快速发展，物联网终端的接入数量与各种新型应用程序数量均呈爆炸式增长。据全球移动通信系统协会发布的《2022全球移动经济发展》^[1]报告显示，2021年全球物联网总连接数达到151亿，预计到2025年，全球物联网总连接数规模将达到233亿。其中，5G连接数所占比重也将从2021年的8%提升到2025年的25%。但终端设备在运行时产生的“海量级”数据给网络带宽和计算存储资源带来巨大的压力。在大多数场景下（如视频浏览和电子游戏等），移动用户对应用程序和终端设备在时间延迟和能量消耗等方面的容忍度显著降低，人们渴望有更加迅捷的服务响应和高品质的视觉体验。这使得传统网络架构中的计算和存储功能面临更为严峻的挑战。

云计算^[2]最初被人们认为是一种最有前途的计算处理模型。因为云中心具有强大的存储和计算能力，能够为移动用户提供按需获取的弹性资源供应，使终端设备得以简化而不需要添加过多复杂的配置。但是随着云计算模型的广泛部署，其局限性也逐渐开始显现。由于云中心服务器通常远离终端设备，因此在处理海量数据时，数据在终端设备和云计算中心之间的长距离传输会导致较为严重的时延和能耗。同时，由于近用户端数据通常关联着移动用户个人隐私，而在云计算模式下需要将隐私数据上传至远距离的云中心，大大增加了用户隐私的泄露风险。为了有效缓解云计算带来的问题，移动边缘计算^[3](mobile edge computing，MEC)作为一种在网络边缘执行计算和存储的新型边缘计算模型应运而生。该模式主要通过将计算资源部署在网络边缘，使其在空间上邻近终端用户，从而降低云计算中心的计算负载和减缓网络带宽压力。任务卸载技术^[4]作为移动边缘计算中的关键一环，负责通过无线数据链路将任务数据传输至就近的边缘服务器中，有效利用边缘服务器上充足的计算资源，减少了任务处理的时延和能耗，提高了服务质量和用户体验。

尽管移动边缘计算有诸多优点，但它同样面临各种安全和隐私保护问题。一方面，移动边缘计算作为云计算的延伸，仍然具有一些云计算模式中存在的传统隐私威胁（如边缘节点内部故障与外部攻击）；另一方面，由于移动边缘计算具有分布式部署、多元异构和低延迟等特性，会带来一些特有的新型安全和隐私保护问题。目前移动边缘计算任务卸载的隐私保护问题正成为移动边缘计算领域的研究热点。

本文对目前的相关研究成果进行了分析总结，从传统角度（最小化时延、最小化能耗和时延能耗权衡三种不同卸载目标）对任务卸载技术的设计方案进行分类综述，并在详细分析移动边缘计算任务卸载过程中存在的不同隐私威胁的基础上，更进一步地对移动边缘计算任务卸载隐私保护领域的国内外研究成果进行阐述与归类，旨在为移动边缘计算任务卸载领域的未来研究提供可靠的理论基础和研究方向。

1　 移动边缘计算概述

1.1　移动边缘计算概念

边缘计算^[5]作为一种新型分布式计算模式，主要由多个位于云中心服务器与移动用户或终端设备之间的边缘节点合作完成原始数据计算和存储业务，在物理层面上实现将云计算中的计算和存储资源拓展至靠近移动用户的网络边缘。实质上，边缘计算与云计算是相辅相成的，并非简单的替代关系。云计算中心需要边缘服务器对海量原始数据做初步处理，而边缘计算则需要云计算中心强大的计算能力和海量存储作为基础支持^[6]。随着科技和5G技术的不断发展，移动用户对时延更低、功能服务更加优质可靠的互联网应用需求与日俱增，为此研究人员展开了对移动边缘计算的探索研究。

移动边缘计算由欧洲电信标准化协会于2014年首次提出，它的核心思想是将计算、存储和网络资源与基站集成在一起部署在网络边缘，从而快速处理各种计算密集型和延迟敏感型应用程序业务（如增强现实和图像处理等），这一点与边缘计算相似。但它的独特之处在于，其操作对象是移动网络场景中来自云服务器的下行数据和来自万物互联服务的上行数据^[7]。由于其操作执行位置能够保持贴近移动终端设备，因而能为移动终端设备提供超低时延和高带宽，使得移动用户的服务体验得到极大的提升。具体地，移动边缘计算具有以下几种特性：

1) 减少传输时延。MEC将云中心的计算和存储能力拓展到网络边缘，使得移动终端设备可以通过任务卸载技术将计算任务卸载至临近的MEC服务器。此时，用户请求不必等待长时间的响应，也不需要经由长距离的网络传输到遥远的云计算中心完成处理，而是由临近的MEC服务器直接处理，然后反馈给用户，这种模式大大降低了海量数据的通信时延。

2) 降低设备能耗和传输能耗。对于终端设备而言，自身有限的能量资源难以承担高能耗任务的执行。但在移动边缘计算模式下，需要大量算力资源的任务可以卸载到邻近的MEC服务器完成处理，从而有效降低设备能耗，延长设备的使用周期。同时随着缓存技术的发展，存储资源相对于带宽资源而言成本逐渐降低，MEC服务器的广泛部署能够就近存储部分数据，可以极大地减少远程传输的必要性，最终降低传输能耗。

3) 改善用户的服务质量体验，保护用户隐私。在网络边缘广泛部署的MEC服务器可以获取详细的网络信息和终端信息，并且可以作为各自区域内的资源控制器以实现对带宽及算力资源的调度分配操作。所以当在MEC服务器上处理海量原始数据时，可以缓解核心网络和云服务器的压力。同时，时延与能耗的显著降低能够提供给移动用户更高质量的服务体验，而近用户端的敏感数据处理也能有效保护用户个人隐私。

1.2　基本架构和应用场景

移动边缘计算是一个“云-边缘-终端”三层结构，如图1所示。在该模式下，移动终端设备产生的各类任务需要卸载到附近的MEC服务器，MEC服务器提供自身计算和存储资源处理这些被卸载的任务，从而有效缓解任务卸载至远程云端所造成的时延和能耗问题。

图1从计算任务角度展示移动边缘计算模式主要通过部署在边缘层中的MEC服务器实现任务的快速处理。但从MEC服务器角度来说，提供计算和存储服务的MEC应用程序是以纯软件形式运行在靠近网络边缘的虚拟化基础设施上。欧洲电信标准化协会在“MEC全球标准003版本”^[8]中对移动边缘计算基于网络功能虚拟化(NFV)的参考框架给出了规范的定义，如图2所示。该框架由移动边缘系统层、移动边缘主机层和移动边缘网络层组成。其中，系统层对主机层和网络层进行统筹管理；主机层基于网络层实现无线网络的顺利接入，以便MEC应用程序充分利用虚拟化资源；网络层需要在主机层的辅助下实现移动边缘计算低延迟、低能耗和高质量服务的特性。三层通过相互协作共同发挥出各自重要的功能作用。关于MEC基本框架的详细信息可以查阅文献[8]。

由于移动边缘计算具有安全性高、低时延、低能耗和高带宽等特点，使得其在现实生活中具有丰富多样的应用场景，例如：1） 计算密集型应用，如增强现实(augmented reality,AR)和虚拟现实(virtual reality，VR)。此类应用短时间内会产生大量数据，并且要求对数据进行实时的分析和处理，对设备性能有较高的要求，因此需要移动边缘计算有效缓解网络带宽和设备能耗压力。2） 自动驾驶汽车。自动驾驶汽车通过传感器来实时地获取到周围其他车辆的行驶速度、路线以及驾驶员的行驶状态，车辆运行过程会创造出庞大的原始数据。并且此类车辆应用对时间延迟要求极高，因此需要通过移动边缘计算对这些海量的数据进行实时处理，从而规划出合理的行驶路线以及安全预警，最大程度为乘客带来最为安全的乘车体验和更加便捷的出行路线。3）移动大数据分析。在终端设备附近部署MEC服务器来进行大数据分析，可以降低传输网络带宽和时延。利用附近的MEC服务器对大数据进行收集和预处理，然后将处理后的结果传输至核心网进一步分析可以减轻网络压力。

2　 移动边缘任务卸载

2.1　任务卸载基本概念

任务卸载技术作为移动边缘计算的核心技术之一，主要包含卸载决策和资源分配两方面^[9]。由于移动终端设备的计算和存储资源有限，MEC服务器利用边缘节点中充裕的计算和能源资源完成处理，从而实现MEC框架中资源的合理分配。其中，任务卸载过程中所执行的卸载决策是根据终端层实体感知当前所处环境的无线网络状态、MEC服务器计算能力、负载情况以及自身卸载任务的特性而制定的。事实上，卸载决策所解决的问题是计算任务是否卸载，卸载多少计算量和哪些计算量需要被卸载；资源分配则主要关注在多个MEC服务器资源充足的前提下，选择将计算任务卸载到哪个MEC服务器上更符合终端实体需求。根据任务的实际卸载情况，任务卸载决策结果一般分为三种情况（如图3所示）：1） 本地处理：无需卸载至MEC服务器，由终端设备完成计算任务处理；2） 部分卸载：根据具体卸载决策，一部分计算任务由本地设备处理，而余下部分的计算任务被卸载至MEC服务器中进行处理；3） 全部卸载：计算任务全部卸载至边缘层，由单个或多个MEC服务器共同处理。

上述决策结果由任务卸载所需的能量消耗和任务处理时延要求等不同因素共同决定。

2.2　任务卸载目标

终端设备的任务卸载目标大致可以分为3个方面：最小化时延、最小化能耗和时延能耗权衡。表1展示了这三类卸载目标的适用对象及优缺点对比。

1)　最小化时延

由于任务传输与处理所耗时延的大小会直接影响到移动用户的服务质量体验，因此为了保证良好的用户服务质量，已有大量关于任务卸载方案的研究工作以降低时延为目标。

文献[10]从车辆和服务器两方面进行分析，更加全面地考虑任务卸载方案的设计。具体实现包括，通过采用Stackelberg博弈方法构建优化模型以符合车辆与服务器关系需求，提出一种分布式算法来获得最优车辆任务卸载策略，以保证满足最小化时延。基于多用户多服务器架构，文献[11]主要研究如何在考虑设备和服务器的计算能力、传输信道干扰、任务排队延迟和可靠性约束等要素的前提下，使得任务卸载处理和传输功率最小化的优化问题。通过对场景中移动设备任务卸载需求的详细分析，提出了一种动态延迟和可靠性感知的任务卸载和资源分配策略，并使用Lyapunov随机优化工具进行求解。文献[12]考虑在物联网应用场景中为应用程序合理分配服务器的可用资源来缩短任务处理时延，进而提出了一种完全多项式时间近似算法，此算法相比一般启发式算法更能有效地缩短计算时延。在车联网应用场景中，计算密集型和时延敏感型的车辆应用对计算资源有限的车辆提出巨大挑战，车辆的高移动性也会极大影响卸载性能。文献[13]主要研究在基于移动边缘计算的车联网中，如何通过联合优化通信和计算资源分配实现车辆用户计算开销最小化的问题。为了解决这个问题，考虑先将传统方法无法解决的原始问题转化为等价问题，再将等价问题分解成两层问题，并提出一个低复杂度算法来求得最优解。仿真实验表明，此方案在计算开销方面明显优越于一些基准算法。文献[14]提出一种多用户多服务器的MEC系统架构，并假设每个MEC服务器可以执行多个终端设备的计算任务，但要求共享一个MEC服务器的任务需按排队顺序进行调度。文中主要研究基于该架构的计算任务卸载和资源调度问题，并将该问题表述为任务执行延迟最小化问题。由于此优化问题是一个使用传统方法无法求解的混合整数非线性问题，因此文中将其转化为两个子问题：任务划分子问题和任务调度子问题，分别采用扩展搜索解法和一种启发式方法求解这两个子问题。文献[15]则首次考虑了车联网任务依赖性对应用程序执行时间的影响，提出一种高效的多应用多任务调度算法。此外，文献[16]提出一种将任务处理时间和网络延迟相结合的位置感知任务卸载策略，以减少服务延迟时间。

2)　最小化能耗

虽然目前已有大量关于如何缩短任务卸载时间延迟的卸载策略研究工作，但其中一些策略并未充分考虑卸载执行时终端设备的能耗问题。而在现实生活中，移动终端设备的电量不足会导致正常卸载策略无法及时执行，进而引起难以估量的严重后果。因而，在某些应用场景下系统在可接受的时间延迟范围内更加注重能耗问题。

文献[17]设计将需要上传至MEC服务器的任务进行分割，用贪婪算法解决最小化能耗问题，并提出了最大节能任务优先算法。文献[18]则聚焦于车辆娱乐服务应用的任务卸载，此类应用对时间延迟要求并不严格，但会消耗大量网络带宽和能量资源。因此，为了在满足车辆卸载延迟约束的同时使终端设备和车辆的整体能耗最小化，提出了一种基于深度强化学习的方案来解决优化问题。在基于上海出租车真实轨迹的实验结果中证明了该方案的有效性，并且平均能耗较于基准算法能降低约60%。在多重资源环境下，文献[19]设计了一种面向多重资源匹配的能耗最小化粒子群任务调度算法，以降低边缘终端设备能耗。文献[20]则提出了一种联合优化资源分配和任务卸载分配的策略，并基于一种低复杂度的算法来解决任务卸载最小化能耗问题。文献[21]重点研究物联网场景下高效节能动态卸载问题，提出了一种以最小化平均传输能耗为目标的随机优化问题。但考虑到无线信道状态和任务到达过程的不确定性和动态性，以及解空间的规模等因素的影响，该随机优化问题被转化为确定性优化问题，并设计出了一种基于多项式时间复杂度的在线卸载算法，理论分析和实验结果均表明该方案可以在限制任务等候队列长度的情况下降低传输能耗。考虑到多用户多MEC服务器场景，文献[22]提出了基于粒子群优化(PSO)和量子粒子群优化(QPSO)的任务卸载策略以解决MEC能量管理优化问题。仿真结果表明，所提算法能够有效利用优化机制解决高能耗问题，甚至能够减少平均任务完成时间和运行时间。文献[23]则研究了MEC动态环境下的任务调度问题，通过将能量收集技术集成到物联网设备中，文中提出了一种混合能量供应模型。基于此模型可实现联合优化本地处理时间、卸载时间以及边缘计算决策，以达到最小化系统成本目的。接着基于随机优化理论，该文设计出一种有效的MEC动态任务卸载算法。这种算法可以通过权衡系统成本和队列稳定性来进行任务卸载决策，同时引入动态规划理论得到最优任务卸载策略。

3)　时延能耗权衡

随着应用场景和网络环境的不断变化，任务卸载决策仅追求最小化时延或最小化能耗两种优化目标不再符合多方的利益需求。因此，一些研究开始聚焦于如何在设备能量消耗和任务计算时延之间进行权衡，以实现用户收益的最大化。

文献[24]针对物联网场景下的响应时延和能耗成本权衡的优化卸载问题，提出了一个基于Lyapunov优化理论和自适应在线学习方法相结合的解决方案。文献[25]设计了一种多目标优化方案以平衡服务器的能量消耗和延迟性能，并采用标量化方案和内点法来解决多目标优化问题。文献[26]则考虑将任务卸载决策中的任务依赖关系建模为一般拓扑图，并使用线性规划的方法解决卸载决策、延迟和能耗联合优化问题。文献[27]提出了一种基于拉格朗日对偶分解的分布式算法，以解决在通信和计算资源约束下最小化执行时延和能耗加权和的优化问题。基于多用户边缘卸载系统，文献[28]以时延和功耗的长期平均开销为优化目标，构建了一个马尔可夫决策问题，并采用凸优化理论进行求解。文献[29]主要研究车联网场景下的动态计算任务卸载问题，提出了一种基于启发式的卸载策略，能够在满足时间延迟约束、资源容量约束和车辆移动性约束的前提下，优化任务卸载过程中能耗和延迟。该方案包含三个阶段：第一阶段，提出一种基于资源利用率的可用服务器检测策略；第二阶段，提出计算卸载策略，从可用服务器中选择一个进行卸载，从而使得卸载成本和能耗最小化。第三阶段，提出一种启发式方法来解决车辆节点与用户任务之间的资源分配问题，以实现能量和延迟的权衡。同样，考虑到智能电子设备的电池寿命对任务执行时延的影响，文献[30]中系统阐述了无线能量传输(wireless power transfer, WPT)作为一种极具前景的终端设备和传感器传输技术在MEC中的联合应用。简单来说，WPT机制的提出能够解决能耗和电池耗电问题，其通过利用感应耦合等技术为附近的设备充电，并不需要设备长期保持有线电源连接，结合MEC任务卸载技术可以帮助智能设备在延长电池寿命的同时减少任务执行时间和提高能量利用率。此外，WPT还可以激励智能设备将计算任务卸载到附近的边缘服务器。同时，文中重点对目前最先进的WPT和MEC联合卸载技术进行了详细的介绍，并讨论了联合WPT和MEC卸载策略的未来研究方向和现存挑战，为解决设备能耗和计算时延的权衡问题提供了新的解决思路。

3　 任务卸载隐私保护研究现状

随着互联网中移动用户使用各式终端设备数量和频率的飞速增长，终端设备上所产生的海量级数据通常与用户个人隐私息息相关。但MEC系统中边缘节点部署分布非常广泛，可能会导致其单点防御能力薄弱，容易受到攻击。同时，当计算任务被卸载到MEC服务器后，也会面临更加复杂多变的网络环境，使得用户隐私数据安全难以得到保障。因此，如何保证任务卸载过程中数据安全，防止隐私数据被泄露窃取，也是目前亟待解决的重要问题。

3.1　任务卸载中存在的隐私威胁

3.1.1　传统隐私威胁

在移动边缘计算模式中，边缘节点通常分布式部署在靠近用户侧的网络边缘，虽然这种模式能给移动用户提供极大的便利，但同样伴随着极大的安全隐私威胁。随着多样化应用程序的出现，移动用户愈加渴望追求更迅捷优质的服务体验，因此不可避免地会选择将与自身隐私有关的原始数据卸载至临近的MEC服务器上进行处理。然而，隐私数据的上传会使得用户对敏感数据的所有权和控制权逐渐分离，更加容易出现原始数据泄露窃取以及非法数据操作（如非法发布、传播和篡改）等隐私安全问题。除此之外，大量缓存数据在边缘节点处的长时间堆积同样会严重影响用户的隐私安全。例如智能家居中，家用设备传感器实时传输的数据可能包括视频浏览数据、网站购物数据等私人信息，而好奇的边缘服务器在处理原始数据时会偷偷进行数据收集工作，最终可以轻易分析出家庭用户的购物习惯、阅读内容以及搜索内容等。事实上，由于现实的网络场景通常复杂多变，MEC系统一般将边缘节点部署在不可信的环境中，而其分布式部署特点也会使得MEC系统中各服务器的可信情况更加复杂。

3.1.2　特殊隐私威胁

随着对任务卸载中安全问题的深入研究，有学者提出了由MEC系统独有的任务卸载特性所引发的隐私问题，分别为位置隐私威胁与使用模式隐私威胁^[31]。位置隐私威胁是指，由于终端设备通常根据信道增益状况选择是否进行任务卸载，而信道增益好坏往往与移动设备或移动用户到MEC服务器间的距离高度相关。因此，仅需要简单分析计算任务的卸载模式，受损的MEC服务器便可推断出任务卸载时的信道状态信息，继而估算出自己到终端设备或移动用户间的距离。甚至当一个移动用户与多个MEC服务器进行任务卸载通信时，这些服务器之间可以相互勾结并精确定位到移动用户所处位置。使用模式隐私威胁是指，若任务卸载过程中信道状态较好，则终端设备倾向于将每一时段产生的计算任务全部卸载至MEC服务器，以减少时延和能耗。而当某些用户附近的数据传输无线信道一直处于良好状态时，半可信的MEC服务器便可通过监听卸载任务来推断用户的个人信息。例如MEC服务器可以根据移动用户任务卸载历史获得一些统计信息，若将这些统计信息作为标识信息则可以识别特定用户的存在。甚至当应用程序生成的卸载任务存在某种特定规律时，MEC服务器可以据此查明终端设备上所运行的应用程序^[32，33]。虽然这两种隐私问题已经在其他应用程序中得到单独的研究（例如推荐系统^[34]和命名数据网络^[35]），但在MEC系统任务卸载过程中解决这两种隐私问题会存在一个严峻挑战，即如何在实现隐私保护的同时仍然保持尽可能好的时间延迟和能源消耗性能。

通过详细分析MEC系统任务卸载过程中存在的两类隐私问题可知，如果这些隐私威胁问题没有得到适当的解决，将严重阻碍隐私敏感用户使用MEC系统，进而制约MEC系统在各种应用场景中广泛应用。因此，越来越多的研究方案开始思考如何在设计任务卸载策略时综合考虑时延、功耗和隐私问题。

3.2　任务卸载隐私保护方案

3.2.1　针对传统隐私威胁的任务卸载方案

目前针对MEC任务卸载的传统安全与隐私问题的研究大多是从敏感数据加密、身份认证等数据安全和访问控制角度保护任务卸载过程中的用户隐私。文献[36]和[37]针对物联网场景下任务卸载过程中的图像数据隐私和能耗问题进行研究，分别使用同态加密技术和隐写术来隐藏图像数据隐私，以达到降低能耗和保护隐私的目的。文献[38]提出了一种面向移动医疗突发事件的安全隐私保护计算框架，研究如何在任务卸载最小化隐私泄露风险的同时，实现突发事件任务处理和传输的高可靠性，并在此框架下提出了一种以用户为中心（基于属性）的高效隐私访问控制机制来减少医疗数据的隐私泄露。考虑到基于MEC系统训练大规模生成对抗网络（generative adversarial network，GAN）模型时，大量训练数据会被卸载到边缘节点上进行处理，产生较为严重的负载不均衡和时间延迟问题，同时存在敏感数据泄露风险，文献[39]基于负载平衡方差、平均传输时间和隐私熵构建出一个多目标优化问题，然后利用SPEA2算法对该问题进行了优化，最终利用TOPSIS和MCDM算法搜索最优的任务卸载策略。而在车联网场景下，文献[40]基于差分隐私技术提出了一种优化的隐私保护机制，该机制不仅能保护任务卸载过程中终端车辆上下文敏感信息，同时可减少加噪数据对卸载决策的干扰，使得时间延迟优化更加有效。考虑到海量数据在边缘节点处堆积引发的安全和隐私问题，文献[41]提出一种隐私熵模型，通过量化隐私的方法来处理隐私保护问题。再对负载均衡、传输时间和隐私熵进行综合分析和建模，共同定义出一个多目标优化问题，最终通过启发式算法对问题进行求解得到具有隐私保护的任务卸载方案。此外，文献[42]提出任务分割方法以解决任务卸载过程中出现的隐私问题，具体内容包括，根据任务不同的安全需求将其进行分类，然后再将整个任务分为多个部分（高安全需求任务必须分割，中低需求任务根据系统资源量进行决定是否分割），最终根据任务自身安全性需求将各任务块分别卸载到相同或不同服务提供商下的多个边缘节点。表2对上述工作进行了归纳总结。

3.2.2　针对特殊隐私威胁的任务卸载方案

通过详细分析此类任务卸载方案的已有文献，目前所针对比较常见的特殊隐私威胁可以细化分类出以下几个典型隐私威胁：1） 由无线任务卸载特性导致的隐私威胁（位置隐私与使用模式隐私威胁）； 2）由高任务卸载频率产生的隐私威胁；3） 由无线通信特性引发的位置隐私威胁。下面将从以上三个方面分别对现有的抵御特殊隐私威胁的任务卸载方案相关研究成果进行总结和阐述。

1） 针对由无线任务卸载特性导致的隐私威胁

文献[31]首次提出由MEC系统特有的无线任务卸载特性导致的位置隐私和使用模式隐私问题后，便考虑设计一种任务卸载方案以满足在实现隐私保护的同时保持尽可能好的延迟和能耗性能。文中将所面临的任务卸载问题归纳为一个约束的马尔可夫决策过程(CMDP)，并提出一种隐私感知任务卸载调度算法。该算法能保证在给定用户指定的长期隐私级别下，能够找到使延迟和能量消耗最小化的最佳任务卸载策略。基于对MEC任务卸载特殊隐私威胁的深入分析，该团队在文献[43]中提出一种用户推理攻击，此攻击主要利用从移动用户处卸载的特征任务来侵犯用户隐私，甚至可能会破坏最优任务卸载调度而导致用户体验的严重退化。针对该攻击，文中利用Lyapunov优化框架开发了一种新型隐私保护和成本效益任务卸载方案，该方案可以使得任务卸载决策在最小化能耗的同时满足时间延迟和安全性约束。在医疗物联网场景下，文献[44]综合考虑计算时延、能量消耗和隐私级别三个要素，建立了隐私感知卸载模型，基于此提出了一种基于强化学习的隐私感知计算卸载方案。最终仿真实验结果表明，该方案较于传统基准方案提高了36.63%的隐私保护能力，节省了9.63%的能量消耗，减少了68.79%的计算延迟。文献[45]基于多武装匪徒(MAB)思想和变换汤普森采样(TS)架构提出了一种基于隐私保护和设备管理的任务卸载方案。该方案在保护用户位置隐私和使用模式隐私的同时，可以实现接近最优的延迟和能源性能。

2） 针对由高任务卸载频率产生的隐私威胁

通过对用户卸载任务的特点以及卸载频率引起的隐私泄露进行分析，文献[46]提出了一种基于隐私熵的隐私保护计算卸载方法，该方法首先将用户计算任务的卸载频率定义为隐私熵，并将其引入现有的最小化能耗模型中，利用遗传算法和人工神经网络对模型进行求解。仿真结果表明最终求得的最优卸载策略可以改变任务卸载频率以满足隐私限制，且使得卸载平均能耗相对较低。文献[47]则提出一种基于Lyapunov优化的隐私感知计算卸载方法。该方法定义了卸载任务中的隐私量以量化计算任务的隐私属性，并在传统卸载模型中引入隐私限制使各MEC节点上卸载任务的累积隐私量尽可能小，还提出假任务机制以权衡终端能耗和隐私保护的关系，即当系统因隐私限制无法正常执行计算卸载时，在MEC节点生成虚假的卸载任务以降低累积隐私量。最后建立了隐私感知计算卸载模型，利用Lyapunov优化原理对其求解。随后，该团队继续在文献[48]中提出一种基于卸载频率的隐私保护计算卸载方法，即设置隐私限制使各计算任务卸载频率尽可能偏离其原始卸载频率，从而防止MEC任务卸载决策从卸载频率处泄露用户隐私信息。最终基于贪心思想简化所提出的卸载决策模型，并提出基于神经网络的隐私保护卸载算法进行求解。仿真实验表明，基于卸载频率的隐私保护计算卸载方法能改变特征任务的卸载频率以满足隐私限制，且平均能耗降低了至少65%。同样文献[49]提出了基于k-匿名的隐私保护计算卸载方法。该方法基于用户间卸载任务及其卸载频率的差异性，提出隐私约束并建立基于卸载频率的隐私保护计算卸载模型。然后，提出基于模拟退火的隐私保护计算卸载算法求得最优的k-匿名分组结果和组内各任务的隐私约束频率。该方法能够找出用户所处MEC节点下与用户卸载表现最相近的k个用户形成匿名集，从而有效保护所有用户隐私，并且实现最小化终端能耗。

3） 针对由无线通信特性引发的隐私威胁

针对任务卸载过程中由无线通信特性引发的位置隐私威胁，文献[50]采用了基于箔条的非侵入式机制完成任务卸载，目的是让窃听者混淆用户设备上实际使用的是哪种服务，难以定位用户。文献[51]则基于将计算任务卸载至远离用户的边缘节点能较好保护用户位置隐私的原理，通过权衡任务卸载决策中隐私保护与电池能耗的关系，提出了一种隐私感知卸载方案，并利用深度决策“后状态”学习(PDS-learning)算法快速求解出最优卸载决策。文献[52]中提出了另一种解决方案，由边缘服务器主动广播干扰信号以阻止窃听，并利用全双工通信技术有效地抑制自干扰。并基于此原理分别建立了延迟最优和能量最优隐私保护任务卸载的两种算法。文献[53]设计出了一种基于动态边缘节点选择的策略和一种基于通用李雅普诺夫优化框架的位置隐私感知编码卸载方案，最终使得保护用户位置隐私的同时能提供给用户更为优质的服务。

针对由任务卸载特性引发的特殊隐私威胁，表3对现有任务卸载方案研究成果进行了归纳总结。事实上，现有关于MEC安全和隐私问题的研究大多聚焦于研究传统隐私安全问题，解决方案也多是参考传统云计算中已有的隐私保护方案进行设计，并未充分考虑MEC任务卸载中特有的隐私问题，对卸载过程中由特征任务和使用模式所导致的隐私泄露研究较少。因此，未来关于MEC任务卸载的隐私保护问题仍然值得进一步研究。

3.3　面临的挑战

由于信息化时代中人们对个人隐私数据保护意识不断提高，关于任务卸载隐私保护的研究仍有待进一步深入。基于此，针对任务卸载隐私保护中仍存在以下挑战：

1) 隐私保护与设备能耗之间的权衡问题。由于传统任务卸载方案多考虑在任务卸载执行前分析怎样设计出满足隐私保护约束条件的任务卸载模型，因此求解出的最优任务卸载决策一般会导致用户倾向于更多地执行本地卸载，以避免数据泄露而暴露其隐私。但这种情况会导致终端能耗增大，而以牺牲能耗换取安全性的决策与任务卸载的初衷（降低时延和减少能耗）不符。所以需要进一步研究更符合移动用户和终端设备需求的任务卸载方案。

2) 考虑高移动性应用场景下的隐私保护问题。例如在车联网中，车辆的高速移动会导致通信节点移动速度快和网络拓扑结构变化快，这会使得任务卸载通信链路会频繁地连接和断开。其次，车辆移动会伴随着周围复杂环境的快速变化，通信链路会受到很大程度的干扰。这些同时导致数据传输速率和功率的变化、通信质量严重下降，进而会给恶意攻击者提供窃取任务卸载中敏感数据的机会。

3) 考虑由于任务卸载特性所导致的隐私问题。现有的绝大多数任务卸载方案未充分考虑卸载决策中的隐私问题，特别是针对用户卸载的行为习惯、使用模式所导致的隐私泄露研究则更少。而传统的任务卸载隐私保护解决方案不再适用于解决特殊隐私问题，因为可能会导致过多的时延和能耗成本，严重降低用户体验。所以针对此类隐私威胁需要提出更加合理且高效的解决方案。

根据以上所总结出的几种挑战，本文认为以下的解决思路有望为任务卸载隐私保护方案的未来研究提供帮助。首先，针对隐私保护与设备能耗之间的权衡问题，文献[48]提出采用合理的假任务机制保证在满足隐私保护需求的同时，尽可能多地将真实任务卸载至MEC服务器上执行处理。但如何设置假任务机制需要结合移动设备的具体情况（如所处无线环境、用户个人喜好等）进行合理设计。然后，考虑高移动性应用场景下的隐私保护问题，由于车辆高移动性所造成的通信质量问题暂时无法避免，但可以尽量减少因此带来的麻烦，例如除路侧MEC服务器设备以外，也可以选择某个时间段内同向或速度相差不大的移动车辆作为任务卸载处理的候选节点，从而减少任务车辆对路侧固定设备的依赖，提高隐私保护水平。最后，针对由于任务卸载特性所导致的隐私问题，可以考虑使用k-匿名方法将多个用户进行分组或采用假名技术盲化生成任务的用户，从而实现MEC服务器处所收集到的任务卸载特性与产生任务的用户身份的关联分割，使得攻击者无法根据任务特性定位到具体用户，最终达到用户隐私保护的目的。

4　 结 语

本文首先对移动边缘计算的相关概念、基础架构和应用场景进行了介绍，然后概述了移动边缘计算中任务卸载技术的核心思想，以及从最小化时延、最小化能耗和时延能耗权衡三个卸载目标对任务卸载技术研究现状的分析和总结。随后，基于对任务卸载中存在的隐私威胁分析，文中从传统隐私威胁和由任务卸载特性导致的特殊隐私威胁两个方面出发，对移动边缘计算任务卸载的隐私保护领域的国内外最新研究成果进行了系统的阐述与科学归类。同时，也对任务卸载隐私保护方面未来可能面临的若干挑战进行了详细的分析。虽然，目前在移动边缘计算任务卸载领域中已存在大量的研究成果，但随着移动边缘计算的应用场景不断扩大，未来可能会有新的衡量计算卸载决策的性能指标出现。此外，随着人们对个人数据的隐私保护意识不断提高，隐私保护问题已经成为当前互联网中的热点话题，尤其许多现有的隐私保护技术不再适用于更加多元多变且复杂的应用场景。因此，未来对于移动边缘计算任务卸载领域有着更多值得探究的方向。

参考文献

[1] GSMA Intelligence.The Mobile Economy 2022［EB/OL］. ［2022-03］.

[2] VOUK M A. Cloud computing—Issues， research and implementations［C］//ITI 2008 — 30th International Conference on Information Technology Interfaces. New York： IEEE Press， 2008： 31-40. DOI: 10.1109/iti.2008.4588381 .

[3] ABBAS N， ZHANG Y， TAHERKORDI A， et al. Mobile edge computing： A survey［J］. IEEE Internet of Things Journal， 2018， 5（1）： 450-465. DOI： 10.1109/JIOT.2017.2750180 .

[4] FLORES H， HUI P， TARKOMA S， et al. Mobile code offloading： From concept to practice and beyond［J］. IEEE Communications Magazine， 2015， 53（3）： 80-88. DOI： 10.1109/MCOM.2015.7060486 .

[5] SATYANARAYANAN M. The emergence of edge computing［J］. Computer， 2017， 50（1）： 30-39. DOI： 10.1109/MC.2017.9 .

[6] 施巍松， 孙辉， 曹杰， 等. 边缘计算： 万物互联时代新型计算模型［J］. 计算机研究与发展， 2017， 54（5）： 907-924. DOI： 10.7544/issn1000-1239.2017.20160941 .

[7] SHI W S， SUN H， CAO J， et al. Edge computing—An emerging computing model for the Internet of everything era［J］. Journal of Computer Research and Development， 2017， 54（5）： 907-924. DOI： 10.7544/issn1000-1239.2017.20160941（Ch ）.

[8] 施巍松， 张星洲， 王一帆， 等. 边缘计算： 现状与展望［J］. 计算机研究与发展， 2019， 56（1）： 69-89.

[9] SHI W S， ZHANG X Z， WANG Y F， et al. Edge computing： State-of-the-art and future directions［J］. Journal of Computer Research and Development， 2019， 56（1）： 69-89 （Ch）.

[10] ETSI. Multi-access edge computing （MEC） framework and reference architecture： ETSI GS MEC 003-2019 V2.1.1 ［S/OL］. ［2019-01］.

[11] MACH P， BECVAR Z. Mobile edge computing： A survey on architecture and computation offloading［J］. IEEE Communications Surveys & Tutorials， 2017， 19（3）： 1628-1656. DOI： 10.1109/COMST.2017.2682318 .

[12] ZHANG K， MAO Y M， LENG S P， et al. Optimal delay constrained offloading for vehicular edge computing networks［C］//2017 IEEE International Conference on Communications （ICC）. New York： IEEE Press， 2017： 1-6. DOI： 10.1109/ICC.2017.7997360 .

[13] LIU C F， BENNIS M， POOR H V. Latency and reliability-aware task offloading and resource allocation for mobile edge computing［C］//2017 IEEE Globecom Workshops （GC Wkshps）. New York： IEEE Press， 2018： 1-7. DOI： 10.1109/GLOCOMW.2017.8269175 .

[14] YU R Z， XUE G L， ZHANG X. Application provisioning in FOG computing-enabled Internet-of-things： A network perspective［C］//IEEE INFOCOM 2018 — IEEE Conference on Computer Communications. New York： IEEE Press， 2018： 783-791. DOI： 10.1109/INFOCOM.2018.8486269 .

[15] WANG J， FENG D Q， ZHANG S L， et al. Computation offloading for mobile edge computing enabled vehicular networks［J］. IEEE Access， 2019， 7： 62624-62632. DOI： 10.1109/ACCESS.2019.2915959 .

[16] YANG T T， CHAI R， ZHANG L P. Latency optimization-based joint task offloading and scheduling for multi-user MEC system［C］//2020 29th Wireless and Optical Communications Conference （WOCC）. New York： IEEE Press， 2020： 1-6. DOI： 10.1109/WOCC48579.2020.9114942 .

[17] LIU Y J， WANG S G， ZHAO Q L， et al. Dependency-aware task scheduling in vehicular edge computing［J］. IEEE Internet of Things Journal， 2020， 7（6）： 4961-4971. DOI： 10.1109/JIOT.2020.2972041 .

[18] HAMZAH H， LE D T， KIM M， et al. Location-aware task offloading for MEC-based high mobility service［C］//2021 International Conference on Information Networking （ICOIN）. New York： IEEE Press， 2021： 708-711. DOI： 10.1109/ICOIN50884.2021.9333924 .

[19] WEI F， CHEN S X， ZOU W X. A greedy algorithm for task offloading in mobile edge computing system［J］. China Communications， 2018， 15（11）： 149-157. DOI： 10.1109/CC.2018.8543056 .

[20] NING Z L， DONG P R， WANG X J， et al. Deep reinforcement learning for intelligent Internet of vehicles： An energy-efficient computational offloading scheme［J］. IEEE Transactions on Cognitive Communications and Networking， 2019， 5（4）： 1060-1072. DOI： 10.1109/TCCN.2019.2930521 .

[21] 徐佳， 李学俊， 丁瑞苗， 等. 移动边缘计算中能耗优化的多重资源计算卸载策略［J］. 计算机集成制造系统， 2019， 25（4）： 954-961. DOI： 10.13196/j.cims.2019.04.018 .

[22] XU J， LI X J， DING R M， et al. Energy efficient multi-resource computation offloading strategy in mobile edge computing［J］. Computer Integrated Manufacturing Systems， 2019， 25（4）： 954-961. DOI： 10.13196/j.cims.2019.04.018（Ch ）.

[23] ZHOU J Z， ZHANG X， WANG W B， et al. Energy-efficient collaborative task offloading in D2D-assisted mobile edge computing networks［C］//2019 IEEE Wireless Communications and Networking Conference （WCNC）. New York： IEEE Press， 2019： 1-6. DOI： 10.1109/WCNC.2019.8885523 .

[24] CHEN Y， ZHANG N， ZHANG Y C， et al. Energy efficient dynamic offloading in mobile edge computing for Internet of Things［J］. IEEE Transactions on Cloud Computing， 2021， 9（3）： 1050-1060. DOI： 10.1109/TCC.2019.2898657 .

[25] DONG S， XIA Y， KAMRUZZAMAN J. Quantum particle swarm optimization for task offloading in mobile edge computing［J］. IEEE Transactions on Industrial Informatics， DOI： 10.1109/TII.2022.3225313 .

[26] CHEN Y， ZHAO F， LU Y， et al. Dynamic task offloading for mobile edge computing with hybrid energy supply［J］. Tsinghua Science and Technology， 2022， 28（3）： 421-432. DOI： 10.26599/TST.2021.9010050 .

[27] NAN Y C， LI W， BAO W， et al. Adaptive energy-aware computation offloading for cloud of things systems［J］. IEEE Access， 2017， 5： 23947-23957. DOI： 10.1109/ACCESS.2017.2766165 .

[28] LIU L Q， CHANG Z， GUO X J， et al. Multi-objective optimization for computation offloading in mobile-edge computing［C］//2017 IEEE Symposium on Computers and Communications （ISCC）. New York： IEEE Press， 2017： 832-837. DOI： 10.1109/ISCC.2017.8024630 .

[29] MAHMOODI S E， UMA R N， SUBBALAKSHMI K P. Optimal joint scheduling and cloud offloading for mobile applications［J］. IEEE Transactions on Cloud Computing， 2019， 7（2）： 301-313. DOI： 10.1109/TCC.2016.2560808 .

[30] LAN X L， CAI L， CHEN Q C. Execution latency and energy consumption tradeoff in mobile-edge computing systems［C］//2019 IEEE/CIC International Conference on Communications in China （ICCC）. New York： IEEE Press， 2019： 123-128. DOI： 10.1109/ICCChina.2019.8855969 .

[31] 滕颖蕾， 刘薇， 欧阳卫平， 等. 无线MEC系统中队列状态感知的卸载和传输联合优化［J］. 北京邮电大学学报， 2019， 42（3）： 14-20. DOI： 10.13190/j.jbupt.2018-256 .

[32] TENG Y L， LIU W， OUYANG W P， et al. Queue-aware joint optimization of offloading and transmission in wireless mobile edge computing systems［J］. Journal of Beijing University of Posts and Telecommunications， 2019， 42（3）： 14-20. DOI： 10.13190/j.jbupt.2018-256（Ch ）.

[33] YADAV R， ZHANG W Z， KAIWARTYA O， et al. Energy-latency tradeoff for dynamic computation offloading in vehicular fog computing［J］. IEEE Transactions on Vehicular Technology， 2020， 69（12）： 14198-14211. DOI： 10.1109/TVT.2020.3040596 .

[34] MUSTAFA E， SHUJA J， JEHANGIRI A I， et al. Joint wireless power transfer and task offloading in mobile edge computing： A survey［J］. Cluster Computing， 2022， 25（4）： 2429-2448. DOI： 10.1007/s10586-021-03376-3

[35] HE X F， LIU J， JIN R C， et al. Privacy-aware offloading in mobile-edge computing［C］//GLOBECOM 2017 — 2017 IEEE Global Communications Conference. New York： IEEE Press， 2018： 1-6. DOI： 10.1109/GLOCOM.2017.8253985 .

[36] STÖBER T， FRANK M， SCHMITT J， et al. Who do you sync you are： Smartphone fingerprinting via application behaviour［C］//Proceedings of the 6th ACM Conference on Security and Privacy in Wireless and Mobile Networks. New York： ACM， 2013： 7-12. DOI： 10.1145/2462096.2462099 .

[37] CONTI M， MANCINI L V， SPOLAOR R， et al. Can’t you hear me knocking： Identification of user actions on android apps via traffic analysis［C］//Proceedings of the 5th ACM Conference on Data and Application Security and Privacy. New York： ACM， 2015： 297-304. DOI： 10.1145/2699026.2699119 .

[38] CALANDRINO J A， KILZER A， NARAYANAN A， et al. “You might also like：” privacy risks of collaborative filtering［C］//2011 IEEE Symposium on Security and Privacy. New York： IEEE Press， 2011： 231-246. DOI： 10.1109/SP.2011.40 .

[39] LAUINGER T， LAOUTARIS N， RODRIGUEZ P， et al. Privacy Implications of Ubiquitous Caching in Named Data Networking Architectures［R］. Boston：Northeastern University， 2012. DOI: 10.1145/2378956.2378966 .

[40] LIU J B， LU Y H. Energy savings in privacy-preserving computation offloading with protection by homomorphic encryption［C］//Proceedings of the 2010 International Conference on Power Aware Computing and Systems. New York： ACM， 2010： 1-7. DOI： 10.5555/1924920.1924925 .

[41] LIU J B， KUMAR K， LU Y H. Tradeoff between energy savings and privacy protection in computation offloading［C］//2010 ACM/IEEE International Symposium on Low-Power Electronics and Design （ISLPED）. New York： IEEE Press， 2010： 213-218. DOI: 10.1145/1840845.1840887 .

[42] LU R X， LIN X D， SHEN X M. SPOC： A secure and privacy-preserving opportunistic computing framework for mobile-healthcare emergency［J］. IEEE Transactions on Parallel and Distributed Systems， 2013， 24（3）： 614-624. DOI： 10.1109/TPDS.2012.146 .

[43] XU X L， LIU X H， YIN X C， et al. Privacy-aware offloading for training tasks of generative adversarial network in edge computing［J］. Information Sciences， 2020， 532： 1-15. DOI： 10.1016/j.ins.2020.04.026 .

[44] WANG S P， LI J， WU G J， et al. Joint optimization of task offloading and resource allocation based on differential privacy in vehicular edge computing［J］. IEEE Transactions on Computational Social Systems， 2022， 9（1）： 109-119. DOI： 10.1109/TCSS.2021.3074949 .

[45] XU X L， WU Q， QI L Y， et al. Trust-aware service offloading for video surveillance in edge computing enabled Internet of vehicles［J］. IEEE Transactions on Intelligent Transportation Systems， 2021， 22（3）： 1787-1796. DOI： 10.1109/TITS.2020.2995622 .

[46] RAZAQ M M， TAK B， PENG L M， et al. Privacy-aware collaborative task offloading in fog computing［J］. IEEE Transactions on Computational Social Systems， 2022， 9（1）： 88-96. DOI： 10.1109/TCSS.2020.3047382 .

[47] HE X F， JIN R C， DAI H Y. Peace： Privacy-preserving and cost-efficient task offloading for mobile-edge computing［J］. IEEE Transactions on Wireless Communications， 2020， 19（3）： 1814-1824. DOI： 10.1109/TWC.2019.2958091 .

[48] MIN M H， WAN X Y， XIAO L， et al. Learning-based privacy-aware offloading for healthcare IoT with energy harvesting［J］. IEEE Internet of Things Journal， 2019， 6（3）： 4307-4316. DOI： 10.1109/JIOT.2018.2875926 .

[49] ZHU D L， LI T， LIU H T， et al. Privacy-aware online task offloading for mobile-edge computing［J］. Wireless Communications and Mobile Computing， 2021， 2021： 1-16. DOI： 10.1155/2021/6622947 .

[50] ZHAO X， PENG J H， LI Y L， et al. A privacy-preserving computation offloading method based on privacy entropy in multi-access edge computation［C］//2020 IEEE 6th International Conference on Computer and Communications （ICCC）. New York： IEEE Press， 2021： 1016-1021. DOI： 10.1109/ICCC51575.2020.9345238 .

[51] 赵星， 彭建华， 游伟. 基于Lyapunov优化的隐私感知计算卸载方法［J］. 电子与信息学报， 2020， 42（3）： 704-711. DOI： 10.11999/JEIT190170 .

[52] ZHAO X， PENG J H， YOU W. A privacy-aware computation offloading method based on Lyapunov optimization［J］. Journal of Electronics & Information Technology， 2020， 42（3）： 704-711. DOI： 10.11999/JEIT190170（Ch ）.

[53] 赵星， 彭建华， 陈璐， 等. 一种MEC中隐私保护计算卸载方法［J］. 信息工程大学学报， 2020， 21（6）：641-646. DOI：10.3969/j.issn.1671-0673.2020.06.001 .

[54] ZHAO X， PENG J H， CHEN L， et al. Privacy-preserving computation offloading method of multi-access edge computing［J］. Journal of Information Engineering University， 2020， 21（6）：641-646. DOI： 10.3969/j.issn. 1671- 0673.2020.06.001（Ch ）.

[55] 赵星， 彭建华， 游伟， 等. 基于k-匿名的隐私保护计算卸载方法［J］. 电子与信息学报， 2021， 43（4）： 892-899. DOI： 10.11999/JEIT191046 .

[56] ZHAO X， PENG J H， YOU W， et al. A privacy-preserving computation offloading method based on k-anonymity［J］. Journal of Electronics & Information Technology， 2021， 43（4）： 892-899. DOI： 10.11999/JEIT191046（Ch ）.

[57] HE T， CIFTCIOGLU E N， WANG S Q， et al. Location privacy in mobile edge clouds： A chaff-based approach［J］. IEEE Journal on Selected Areas in Communications， 2017， 35（11）： 2625-2636. DOI： 10.1109/JSAC.2017.2760179 .

[58] HE X F， JIN R C， DAI H Y. Deep PDS-learning for privacy-aware offloading in MEC-enabled IoT［J］. IEEE Internet of Things Journal， 2019， 6（3）： 4547-4555. DOI： 10.1109/JIOT.2018.2878718 .

[59] HE X F， JIN R C， DAI H Y. Physical-layer assisted privacy-preserving offloading in mobile-edge computing［C］//ICC 2019 — 2019 IEEE International Conference on Communications （ICC）. New York： IEEE Press， 2019： 1-6. DOI： 10.1109/ICC.2019.8761166 .

[60] HE Y L， HE X F. Location privacy-aware coded offloading for distributed edge computing［C］//IEEE INFOCOM 2022 — IEEE Conference on Computer Communications Workshops （INFOCOM WKSHPS）. New York： IEEE Press， 2022： 1-6. DOI： 10.1109/INFOCOMWKSHPS5 4753.2022.9798165.

基金资助

国家自然科学基金(61702168)

国家自然科学基金(U2001205)

湖北工业大学绿色工业科技引领计划项目(XJ2021000901)