Collaborative Communication and Computation for Secure UAV-Enabled MEC Against Active Aerial Eavesdropping
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Unmanned aerial vehicle (UAV)-enabled mobile edge computing (MEC) can provide flexible computing service for terminal-devices (TDs). However, malicious active aerial eavesdroppers can perform air-to-ground eavesdropping and air-to-air attacking, which makes TDs’ tasks offloading computation more vulnerable, posing significantly secure threats to UAV-enabled MEC. To overcome this challenge, we aim to design collaborative communication and computation schemes for the secure UAV-enabled MEC system, where an active aerial eavesdropper is capable of wiretapping the tasks information offloaded from TDs and transmitting attack signals to the legitimate network. The total weighted energy consumption of the system is minimized via optimizing time allocation, transmit power, local and offloading computation bits, as well as UAV trajectory. First, considering the given number of computational tasks of TDs, a block coordinate descent (BCD)-based scheme is proposed to decompose the original multi-variables-coupling and close-form-lacking problem into several tractable subproblems that can be addressed by iterations. Next, considering that there are dynamic and random tasks arriving to TDs’ original tasks, a deep reinforcement learning (DRL)-based scheme is proposed to maintain the stability of tasks, where the solution of computation, communication and trajectory optimization is intelligently obtained by adopting double-deep Q-learning (DDQN). Simulation results demonstrate that the proposed schemes outperform the respective benchmarks for secure UAV-enabled MEC against active aerial eavesdropping.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle