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

提出基于深度强化学习的RIS辅助无人机MEC网络，提升保密能量效率

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

关键词: 无人机 MEC 重构智能表面 保密能量效率 深度强化学习 任务卸载 轨迹优化 资源分配

📋 核心要点

  1. 现有方法难以在无人机MEC网络中同时优化保密能量效率、无人机轨迹、任务卸载和RIS配置。
  2. 论文提出基于深度强化学习的联合优化策略，动态调整无人机轨迹、任务卸载比例、用户调度和RIS相移。
  3. 实验结果表明，该方案能够在保障任务完成的同时，有效提升保密能量效率，并节省无人机能量。

📝 摘要（中文）

本文研究了保护地面用户任务卸载传输免受地面窃听威胁的问题。提出了一种重构智能表面(RIS)辅助的无人机(UAV)移动边缘计算(MEC)方案，以增强安全任务卸载，同时在满足任务完成约束的条件下，最小化无人机的能量消耗。利用数据驱动的方法，提出了一种综合优化策略，联合优化空中MEC(AMEC)的轨迹、任务卸载划分、UE传输调度和RIS相移。我们的目标是优化UE任务卸载传输的保密能量效率(SEE)，同时保护AMEC的能量资源并满足任务完成时间要求。数值结果表明，所提出的解决方案可以有效地保护合法的任务卸载传输，同时保护AMEC能量。

🔬 方法详解

问题定义：论文旨在解决RIS辅助的无人机(UAV)移动边缘计算(MEC)网络中，地面用户卸载任务时面临的窃听威胁，以及如何最大化保密能量效率(SEE)的问题。现有方法通常独立优化无人机轨迹、任务卸载和RIS配置，忽略了它们之间的相互影响，导致SEE性能不佳。此外，传统的优化方法计算复杂度高，难以适应动态变化的网络环境。

核心思路：论文的核心思路是利用深度强化学习(DRL)算法，将联合优化问题建模为马尔可夫决策过程(MDP)，通过智能体与环境的交互，学习最优的策略。该策略能够根据当前的网络状态，动态调整无人机轨迹、任务卸载比例、用户调度和RIS相移，从而在保证任务完成的同时，最大化SEE。

技术框架：整体框架包含以下几个主要模块：1) 环境建模：定义了包括用户位置、信道状态、无人机位置、RIS配置等在内的环境状态空间；2) 动作空间设计：定义了无人机轨迹、任务卸载比例、用户调度和RIS相移的联合动作空间；3) 奖励函数设计：设计了与SEE相关的奖励函数，鼓励智能体选择能够最大化SEE的动作；4) DRL智能体：采用深度Q网络(DQN)或其变体作为智能体，通过与环境的交互，学习最优的策略。

关键创新：论文的关键创新在于提出了基于DRL的联合优化框架，能够同时优化无人机轨迹、任务卸载比例、用户调度和RIS相移，从而显著提升SEE。与传统的优化方法相比，该方法能够更好地适应动态变化的网络环境，并且具有更低的计算复杂度。

关键设计：在DRL智能体的设计上，论文可能采用了以下关键设计：1) 状态空间归一化：对状态空间进行归一化处理，以提高DRL算法的收敛速度；2) 奖励函数缩放：对奖励函数进行缩放处理，以平衡探索和利用；3) 网络结构设计：设计合适的神经网络结构，用于估计Q值函数；4) 经验回放机制：利用经验回放机制，打破数据之间的相关性，提高DRL算法的稳定性。

📊 实验亮点

论文通过数值仿真验证了所提出方案的有效性。结果表明，与传统的优化方法相比，该方案能够显著提升保密能量效率(SEE)，并且能够有效地保护合法的任务卸载传输，同时节省无人机能量。具体的性能提升幅度未知，需要在论文中查找。

🎯 应用场景

该研究成果可应用于各种需要安全和高效计算的场景，例如：灾难救援、环境监测、智慧城市等。在这些场景中，无人机可以作为移动边缘计算平台，为地面用户提供计算服务，同时利用RIS增强信号覆盖和安全性。该研究有助于提升无人机MEC网络的性能和可靠性，促进其在实际应用中的部署。

📄 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.