Game Theory and Reinforcement Learning Based Secure Edge Caching in Mobile Social Networks
Notice bibliographique
Résumé
Edge caching has become one of promising technologies in mobile social networks (MSNs) to proximally provide popular contents for mobile users. However, since caching contents inevitably consume resources (e.g., power, bandwidth, storage, etc.), edge caching devices maybe selfish to cheat the content provider for earning service fees. In addition, due to the open access of edge caching devices, the edge caching service is vulnerable to various attacks, such as man-in-the-middle attack and content tamper attack, etc., resulting in the degradation of content delivery performance. To efficiently tackle the above problems, in this paper, we propose a secure edge caching scheme for the content provider and mobile users in MSNs. Specifically, we first develop a secure edge caching framework consisting of the content provider, multiple edge caching devices, and some mobile users. To motivate the participation of edge caching devices, Stackelberg game is exploited to model the interactions between the content provider and edge caching devices. The content provider serves as the game-leader to determine the payment strategy of secure caching service and each edge caching device is the game-follower to make the strategy on the quality of secure caching service. Especially, the zero payment mechanism is adopted to suppress the selfish behaviors of edge caching devices. Apart from this, for lack of the knowledge on interactions between the content provider and edge caching devices in dynamic network scenarios, we also employ the Q-leaning to derive the optimal payment strategy of the content provider and the security strategy of edge caching device. Extensive simulations are conducted, and results demonstrate that the proposed scheme can efficiently motivate edge caching devices to provide the content provider and mobile users with high-quality secure caching services.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».