隐私保护的边缘计算激励

资源内容介绍

本文提出一种基于强化学习的隐私保护激励机制（RLPM），用于多服务提供商与多物联网设备的边缘计算市场。通过构建多领导者多跟随者斯塔克尔伯格博弈模型，平衡各方效用，同时避免私有信息泄露。该机制利用改进的WoLF-PHC算法实现自适应学习，在保障隐私的前提下达成纳什均衡。仿真结果表明，RLPM相较传统Q-learning更具收敛性与准确性，适用于竞争激烈的分布式服务定价场景，为现实边缘计算市场提供了高效、安全的交易解决方案。