面向内容网络中基于相关内容聚集的缓存方案

提出了一种基于相关内容聚集的缓存方案,通过具有相同特征的相关内容的相互吸引,使相关内容在节点上聚集,从而方便对缓存内容进行内容特征抽象,以减少向外通告的路由信息量,提高面向内容网络的路由可扩展能力;同时通过相关内容生存时间相互增强的策略,增强了缓存内容的稳定性,提高了其路由可信度. 在此基础上设计了通用的相关内容聚集算法,仿真结果符合预期效果.     

融合边缘智能计算和联邦学习的隐私保护方案

边缘智能设备、网关和云端在智能协同计算的过程中,存在隐私泄露、计算能力有限等问题。提高联邦学习可以大大提高智能协同计算的训练效率,但也会暴露边缘智能终端的训练集信息。基于此,提出了一种融合边缘智能计算和联邦学习的隐私保护方案(PPCEF)。首先,提出了一个基于共享秘密和权重掩码的轻量级隐私保护协议,该协议基于秘密共享的随机掩码方案,不仅可以在不损失模型精度的前提下保护梯度隐私,还可以抵抗设备掉线和设备间的共谋攻击,具有很强的实用性。其次,设计一种基于数字签名和哈希函数的算法,不仅可以实现消息的完整性和一致性,还能抵抗重放攻击。最后,使用MNIST和CIFAR10数据集,证明提出的PPCEF方案在实践中安全且高效。     

内容中心网络中基于分布式协作的缓存策略

提出了一种应用于内容中心网络的缓存策略,对高热度内容进行分布式缓存,允许缓存节点之间协作,保证热度高的内容在缓存中生存更长的时间,并在内容请求过程中利用跟踪节点实现缓存内容的定位,允许内容请求用户从网络中参与协作的缓存节点获取被请求内容的不同部分,达到分布式缓存协作的目的,提高网络中缓存资源的利用率,降低内容请求用户获取内容的时间. 仿真结果表明,该策略能有效减少网络的平均时延.     

内容寻址网络中路径缓存定向多播路由算法

为解决内容寻址网络中资源定位速度和路由效率问题,提出了一种基于路径缓存技术的定向多播路由算法.该算法结合定向路由与广播路由的优势,引入扩展系数对定向多播路由算法进行空间维度扩展,降低了集体失效概率.将路径缓存技术与定向多播路由算法相结合,提高了系统的定位效率.通过与传统的定向路由策略进行实验比对,验证了该算法的有效性。     

一种用于内容中心网络的缓存随机放置策略

以内容为中心的网络是一种新型网络架构,它打破了传统的“主机-主机”通信模式,将内容本身作为网络的核心．以内容为中心的网络通过分布式的缓存机制对内容业务提供有效支持,缓存的放置策略也成为研究的热点．首先提出一种分布式的缓存随机放置策略,基于节点与内容源之间的跳数随机选择缓存放置节点,实现节点缓存的负载均衡;然后在该策略下推导缓存命中率与内容热度分布、请求到达率、缓存大小的关系．数值计算及仿真结果表明,该策略可以提高缓存命中率,与以内容为中心的网络传统策略相比,获取内容所需的平均跳数可减少5.59％～6.86％．     

基于Hawkes过程的车联网协同缓存及资源分配

随着网络流量呈指数级增长,能够访问多媒体内容的智能汽车也面临巨大的流量压力,为此提出了一种基于Hawkes过程更新内容流行度的车联网协同缓存及资源分配框架.研究了在路边单元和智能车辆中的协同缓存及资源分配策略,同时,考虑到内容缓存的更新周期远大于信道条件的变化周期,提出了双时间尺度模型.首先,使用基于Hawkes过程的方法,考虑内容请求的新鲜度和时效性,根据历史内容请求记录更新流行度;然后,对路边单元和车辆协作缓存策略的数据传输吞吐量和缓存能耗进行建模,以最大化边缘设备的缓存效益为目标,并利用深度强化学习求解优化问题.仿真结果表明,所提出策略相比其他策略可以得到更高的效益.     

边缘计算系统中基于UCBM算法的缓存预取优化

针对终端设备产生的数据上传至云服务器会产生时间延迟的问题,提出了基于UCBM算法的缓存预取优化策略.根据用户的访问特征,通过贝叶斯网络和马尔可夫链对用户的下一步访问行为进行分类与预测,将目标文件提前从云端缓存预取到最近的边缘服务器,从而减少了时间延迟.实验结果表明,提出的优化策略明显提高了文件的预取精确率,最高为0.7...     

一种基于DQN的全景视频边缘缓存优化方案

为了解决全景视频服务中云服务器和边缘服务器的联合边缘缓存所面临的问题,优化边缘缓存机制,降低用户获取视频资源的时延,提出一种基于深度Q学习(DQN)算法的视频资源缓存策略生成方法。针对当前全景视频中存在的多比特率版本,考虑了边缘缓存内容和不同比特率版本间的转码时延,以节约总时间为目标,通过将问题建模为马尔可夫决策过程,结合模型中数据离散的特性,采用DQN算法训练模型,并在迭代过程中获得最优缓存策略。仿真结果表明,所提算法的收敛速度较快,具有最优的性能。此外,在约束条件发生变化时,用所提算法能自行调整边缘缓存策略,使其性能稳定提升,为全景视频边缘缓存机制提供了切实可行的方案。     

信息中心网络缓存技术研究综述

针对以内容中心网络（CCN）为代表的信息中心网络（ICN）缓存技术研究展开综述与展望,理清了相关研究思路与主要方法.首先概述了ICN缓存工作原理以及关键研究内容;然后分析了ICN体系架构引入无线网络中的技术优势;着重总结了以CCN为代表的ICN缓存放置策略研究现状、缓存网络理论建模分析研究现状;最后对ICN缓存技术发展与挑战进行了分析与讨论.通过对已有研究工作进行总结与分析,指出了潜在研究方向与关键问题,为ICN缓存后续研究提供有益参考.     

异构蜂窝网络中基于雾节点协作贡献度的计算卸载算法

通过雾计算可将基于云的服务拓展至无线网络边缘和多种场景。针对密集异构蜂窝网络雾计算系统中的协作计算卸载问题,提出一种基于雾节点协作贡献度的计算卸载算法。首先,对协作可行性、协作公平性和协作稳定性进行了建模设计;其次,定义了协作贡献度和协作贡献比系数;然后,结合雾节点的剩余计算容量阈值和协作贡献度阈值,在满足任务可容忍的最大时延约束下,提出以任务执行能耗和用户支付成本的加权和最小化为目标的优化问题,使用外部罚函数法和方向加速法(Powell法)得到最优卸载决策。仿真结果表明,所提算法在各种任务参数和时延约束下能够有效降低执行任务的总开销,并且能够在协作可行性、协作公平性之间进行权衡处理。     

面向新生内容需求的缓存放置与替换联合算法

在内容中心网络中,全局缓存放置算法无法对新生内容实时缓存放置进行优化,对此,提出一种缓存放置与替换的联合优化算法,可减小缓存节点业务负载和用户内容获取的时延.定义了整网缓存收益函数,构建了最大化整网缓存收益的最优化问题,以实现新生内容的缓存放置与已存内容的缓存替换.为了求解所提的优化问题,将所提优化问题分解为缓存放置子问题和缓存替换子问题,提出了一种全局缓存放置优化问题的次优解,缓存放置算法的性能下限为（1-1/e）倍的最优解.在缓存放置之后考虑多点协同的缓存替换算法,最小化由于缓存替换产生的缓存损失,最后通过迭代实现缓存放置与替换的联合优化.仿真结果表明,所提联合优化算法可以提升整网缓存收益,在缓存节点负载、内容获取平均跳数和全网缓存命中率方面均优于传统方法.     

基于无线D2D网络的分层联邦学习

为了解决在无线网络中部署联邦学习面临的通信资源消耗大和设备计算资源有限的问题,提出一种基于无线设备直通(D2D)网络的分层联邦学习框架.与传统架构不同,模型训练采用分层聚合.该框架通过D2D网络进行簇内聚合,各个簇同时进行去中心化训练,从每个簇中选择一个簇头上传模型至服务器进行全局聚合.通过将去中心化学习与分层联邦学习结合,降低了中央节点网络流量.使用D2D网络中节点的度来衡量模型收敛性能,通过最大化所有簇头的度之和,对簇头选择与带宽分配问题进行联合优化,并且设计一种基于动态规划的算法求出最优解.仿真结果表明,与基线算法相比,该框架不仅能够有效地降低全局聚合的频率和减少训练时间,而且能够提高最终训练得到的模型性能.     

移动边缘网络缓存技术

移动视频业务爆炸性增长对未来无线通信网络提出了更高的要求.缓存技术通过网络热点内容的复用,将极大缓解无线网络的传输压力,逐渐成为未来第五代移动通信系统中提升虚拟现实、增强现实以及超高清视频等服务用户体验的关键性技术之一.针对移动边缘网络中缓存技术的内容展开综述,并对缓存技术涉及的多个研究方向进行了分析.首先分析了移动边缘网络的架构,并对移动边缘网络缓存研究所具有的特性进行了概述;通过对缓存模式的分类,归纳整理了移动感知和社交感知场景的缓存技术,最后提出了移动边缘缓存技术的未来挑战与发展方向.     

缓存辅助边缘计算的卸载决策与资源优化

提出一种缓存辅助边缘计算的卸载决策制定与资源优化方案,以进一步降低移动边缘计算（MEC）系统中终端设备的能量消耗.首先,建立该优化问题为最小化用户在任务执行时最坏情况下的能耗值,并将这一混合整数规划问题转化为非凸的二次约束二次规划（QCQP）模型,使用半定松弛及随机概率映射方法获得缓存辅助下的预选卸载集合;其次,分别采用拉格朗日对偶分解法和二分法求得性能约束下的最优传输功率及边缘计算资源分配,从而通过对比该集合中的设备能耗得到理想的卸载决策集合与资源分配方案.实验数值结果表明,所提方案能够有效降低用户能量消耗,提升边缘计算系统的服务性能.     

雾计算中用户和属性可撤销的访问控制方案

雾计算中的属性基加密技术在解决数据细粒度访问控制问题的同时也带来了用户和属性的撤销问题,对此,提出一种用户和属性可撤销的访问控制方案.改进了现有的基于属性组撤销属性的访问控制方案,使其适用于雾计算,同时提高了密钥更新效率.另外,利用雾节点实现了用户的撤销,同时为了降低用户端的负担,将部分计算和存储开销从用户端转移到了临近的雾节点.基于判定双线性diffie-hellman （DBDH）假设的安全性分析结果表明,所提方案可以抵抗选择明文攻击.对方案进行了理论和实验,分析结果表明,所提方案具有较高的撤销效率和实用价值.     

一种基于二分图的移动网络预缓存机制

为了解决移动网络中高效部署缓存的问题,提出了一种基于二分图的内容预缓存机制,在选择内容预缓存的节点时,不仅要考虑该节点上的内容热度,还要考虑该节点与其他节点之间的链路状态,用以选择对内容热度最高、网络状态最好的节点来预缓存内容,从而提高内容分发效率.仿真结果表明,该方法可以有效地提升缓存空间的利用效率,降低内容传输时延,增强用户体验.     

面向联邦学习的可验证安全聚合方案

在联邦学习中,多个数据拥有者可以联合训练一个高质量模型,有效地解决了数据孤岛问题,且能实现用户数据的隐私保护。然而,目前的联邦学习存在模型泄露、训练结果无法验证以及用户计算和通信代价较高等问题。对此,提出了面向联邦学习的隐私增强可验证安全聚合方案,实现了用户数据和模型参数的隐私保护,训练结果的可验证性,且大幅降低了用户的计算开销和通信代价。所提方案采用同态加密算法处理浮点运算,基于线性同态哈希函数验证聚合结果的正确性,其中部分用户掉线不影响最终的聚合结果。实验结果表明,所提方案具有较小的计算开销,且有效提高了训练模型的检测性能。     

CCN中缓存污染攻击的建模与分类

针对内容中心网络(CCN)中的缓存污染攻击问题,在分析总结内容中心网络中缓存污染攻击特征的基础上,通过构建遭受攻击时节点的缓存状态模型,对污染内容在节点的驻留概率以及各类请求的命中率进行计算,而后通过改变模型参数对不同特征的攻击行为进行模拟,按照攻击强度以及污染内容的数量将缓存污染攻击重新划分为4种类型,并对每类攻击进行分析。最终的仿真结果表明模型以及分类方式是合理的。     

一种高效的联邦学习隐私保护方案

联邦学习允许客户端在只共享梯度的情况下联合训练模型,而不是直接将训练数据提供给服务器。尽管联邦学习避免将数据直接暴露给第三方,对于数据起着一定保护作用,但研究表明,联邦学习场景下传输的梯度依然会导致隐私信息泄露。然而在训练过程中采用加密方案带来的计算和通信开销又会影响训练效率,并且难以适用于资源受限的环境。针对当前联邦学习中隐私保护方案存在的安全与效率等问题,结合同态加密和压缩技术,提出一种安全高效的联邦学习隐私保护方案。通过优化同态加密算法,确保方案安全性的基础上,减少运算次数,提高运算效率;同时设计一种梯度过滤压缩算法,过滤掉与全局模型收敛趋势不相关的本地更新,并采用计算可忽略的压缩操作符量化更新参数,以在保证模型准确率的基础上提高通信效率。安全性分析表明,方案满足不可区分性,数据隐私性和模型安全性等安全特性。实验结果显示,方案不仅有较高模型准确率,而且在通信开销与计算开销方面较现有方案也有明显优势。     

面向6G网络的联邦学习资源协作激励机制设计

第6代(6G)移动通信在满足人类智能通信需求的同时, 也给用户数据的安全与隐私保护带来了极大挑战。为此, 基于联邦学习的分布式机器学习架构应运而生。然而, 在联邦的模型训练过程中, 移动设备会产生大量计算和通信开销。自私的移动设备不愿意参与模型训练, 这将降低联邦学习性能。本文基于迭代双边拍卖设计了一种有效的联邦学习资源协作激励机制, 任务计算终端作为卖方, 任务请求终端作为买方, 本地接入点根据买卖双方的出价做出模型训练时延和相应定价决策, 在买卖双方信息非对称情况下最大化联邦学习市场总效用。仿真实验表明, 所提机制具有良好的收敛性, 可显著提高联邦学习的准确率, 同时降低训练损失。