Learning-Based Collaboration for Secure Transmission Effectiveness Maximization in Low Altitude MEC Systems
Notice bibliographique
Résumé
Low altitude mobile edge computing (MEC) offers promising prospects through unmanned aerial vehicle (UAV) services. However, the scarcity of resources, coupled with the growing personalized demands of devices, complicates the effective balance in UAV-MEC systems. Furthermore, the increasing threat of active aerial eavesdropping (AAE) poses severe risks of eavesdropping and attacking, significantly affecting the security of offloaded computation. To overcome these challenges, we propose a learning-based secure transmission scheme against AAE for UAV-MEC systems. Specifically, a customized secure transmission effectiveness is designed to effectively guide the optimization of limited resources and trajectory to meet individualized secure requirements. Then, multi-dimensional resources, including offloading decision, transmit power, computation frequency and UAV trajectory, are jointly optimized to maximize the secure transmission effectiveness with satisfying the individualized computing demands of devices. To address the multi-variables-coupling and closed-form-lacking problem, a deep reinforcement learning-based collaboration of multi-networks trajectory optimization and resource allocation (DRCTORA) scheme is proposed, where deep neural network ordering preserving (DNOP) is employed to generate offloading decisions, and double deep Q-network (DDQN) is connected in DNOP to obtain the solutions of the other variables. Simulation results show that the proposed DRCTORA enhances the secure transmission performance compared with benchmarks.
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 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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».