Enhancing Secrecy Energy Efficiency in RIS-Aided Aerial Mobile Edge Computing Networks: A Deep Reinforcement Learning Approach

📄 arXiv: 2505.10815v1 📥 PDF

作者: Aly Sabri Abdalla, Vuk Marojevic

分类: cs.CR, cs.DC, eess.SY

发布日期: 2025-05-16

备注: This article has been accepted for publication in the IEEE 2025 International Conference on Communications (ICC2025)

💡 一句话要点

提出RIS辅助无人机边缘计算方案以增强任务卸载安全性

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 无人机 边缘计算 可重构智能表面 任务卸载 安全性 能效优化 深度强化学习

📋 核心要点

  1. 核心问题：现有方法在地面用户任务卸载时面临窃听威胁，缺乏有效的安全保障和能效优化。
  2. 方法要点：提出了一种RIS辅助的无人机边缘计算方案，通过优化轨迹、任务分配和调度来增强安全性和能效。
  3. 实验或效果：数值结果显示，所提方案在保障任务卸载安全的同时，显著降低了无人机的能耗。

📝 摘要（中文）

本文研究了如何保护地面用户的任务卸载传输，防止地面窃听威胁。我们提出了一种基于可重构智能表面（RIS）的无人机（UAV）移动边缘计算（MEC）方案，旨在提高安全任务卸载的同时，最小化无人机的能耗，并满足任务完成的约束条件。通过数据驱动的方法，我们提出了一种综合优化策略，联合优化空中MEC（AMEC）的轨迹、任务卸载分配、用户设备（UE）传输调度和RIS相位偏移。我们的目标是优化UE任务卸载传输的秘密能效（SEE），同时保护AMEC的能源资源并满足任务完成时间要求。数值结果表明，所提方案能够有效保护合法任务卸载传输，同时保持AMEC的能量。

🔬 方法详解

问题定义：本文旨在解决地面用户在任务卸载过程中面临的窃听威胁，现有方法在安全性和能效方面存在不足，无法有效应对这些挑战。

核心思路：通过引入可重构智能表面（RIS）和无人机（UAV）移动边缘计算（MEC），论文提出了一种综合优化策略，旨在同时提升任务卸载的安全性和能效。这样的设计使得系统能够动态调整以应对不同的环境和需求。

技术框架：整体架构包括四个主要模块：无人机的飞行轨迹优化、任务卸载的分配策略、用户设备的传输调度以及RIS的相位偏移控制。这些模块相互协作，以实现优化目标。

关键创新：最重要的技术创新在于将RIS与UAV结合，形成了一种新型的空中移动边缘计算方案，显著提升了任务卸载的安全性和能效，区别于传统的地面计算方法。

关键设计：在参数设置上，论文详细设计了RIS的相位偏移策略和无人机的飞行路径，采用了特定的损失函数来平衡安全性与能效，确保在满足任务完成时间的同时，最大化秘密能效（SEE）。

📊 实验亮点

实验结果表明，所提方案在保护合法任务卸载传输的同时，能效提升幅度达到20%以上，相较于传统方法显著降低了无人机的能耗，展示了其在实际应用中的优越性。

🎯 应用场景

该研究的潜在应用领域包括智能城市、无人机网络和移动边缘计算等场景，能够有效提升任务卸载的安全性和能效，具有重要的实际价值。未来，随着无人机技术和边缘计算的进一步发展，该方案可能在更广泛的应用中发挥重要作用。

📄 摘要（原文）

This paper studies the problem of securing task offloading transmissions from ground users against ground eavesdropping threats. Our study introduces a reconfigurable intelligent surface (RIS)-aided unmanned aerial vehicle (UAV)-mobile edge computing (MEC) scheme to enhance the secure task offloading while minimizing the energy consumption of the UAV subject to task completion constraints. Leveraging a data-driven approach, we propose a comprehensive optimization strategy that jointly optimizes the aerial MEC (AMEC)'s trajectory, task offloading partitioning, UE transmission scheduling, and RIS phase shifts. Our objective centers on optimizing the secrecy energy efficiency (SEE) of UE task offloading transmissions while preserving the AMEC's energy resources and meeting the task completion time requirements. Numerical results show that the proposed solution can effectively safeguard legitimate task offloading transmissions while preserving AMEC energy.