Key points are not available for this paper at this time.
توفر شبكات 5G وإنترنت الأشياء (IoT) منصة قوية للبيئات الشاملة بفضل استشعارها الشامل، وسرعاتها العالية، وغيرها من الفوائد. يجب نقل وتحريك البيانات والتحليلات والحسابات الأخرى بشكل مثالي في هذه البيئات، بطريقة ديناميكية، بحيث يتم تلبية متطلبات كفاءة الطاقة وجودة الخدمة (QoS) بأفضل شكل. التحدي الخاص في هذا السياق هو الحفاظ على الخصوصية والأمان أثناء تقديم جودة الخدمة وكفاءة الطاقة. لقد حاولت العديد من الأعمال معالجة هذه التحديات ولكن بدون التركيز على تحسين جميعها وفرض نماذج ثابتة للبيئات وتهديدات الأمان. تقترح هذه الورقة إطار UbiPriSEQ الذي يستخدم التعلم المعزز العميق (DRL) لتحسين جودة الخدمة وكفاءة الطاقة والأمان والخصوصية بشكل تكيفي وديناميكي وشامل. يبنى UbiPriSEQ على نموذج ثلاثي الطبقات ويضم وحدتين. يضع UbiPriSEQ سياسات ويتخذ قرارات تتعلق بالمعايير المهمة بما في ذلك معدلات المعالجة المحلية وتحميل البيانات والحسابات، وحالات قنوات الراديو، وقوة الإرسال، وأولوية المهام، واختيار عقد الضباب للتفريغ، وهجرة البيانات، وما إلى ذلك. يتم تنفيذ UbiPriSEQ بلغة بايثون على منصة TensorFlow ويُقيم باستخدام تطبيق واقعي من حيث SINR، وقياس الخصوصية، والكمون، ودالة المنفعة، مما يظهر وعدًا كبيرًا.
درس محمد وآخرون (الثلاثاء) هذا السؤال.