Obwohl kooperative Berechnungssysteme am Rand dazu beitragen, die Leistung des mobilen Randcomputings zu verbessern, sehen sich die Benutzer während des Aufgabenentlastungsprozesses mit schwerwiegenden Datenschutzproblemen konfrontiert. Um dieses Problem zu lösen, haben wir in einem kooperativen Randberechnungssystem einen Algorithmus zur Aufgabenentlastung mit Privacy Awareness entwickelt, um die Verzögerung zu optimieren (PPDO). Durch Berücksichtigung des Ortes und des Nutzungsmodus der Privatsphäre wurde ein Modell für private Aufgaben entwickelt, um in die Randserver einzugreifen und die Privatsphäre der Benutzer zu schützen. Um das zusätzliche Aufschubproblem aufgrund des Datenschutzes zu lösen, haben wir einen strategischen Iterationsalgorithmus basierend auf dem Markov-Entscheidungsprozess verwendet, um die Verzögerung so weit wie möglich zu minimieren, während gleichzeitig die Privatsphäre geschützt wird. Darüber hinaus haben wir durch Optimierung des Aktionssets PPDO verbessert, um die Lösung des Markov-Entscheidungsprozesses zu beschleunigen. Schließlich haben wir eine Simulation mit dem EUA-Datensatz durchgeführt. Die Ergebnisse zeigen, dass PPDO im Vergleich zu bestehenden Algorithmen das beste Gleichgewicht zwischen Datenschutz und Verzögerungsoptimierung mit minimalen Kosten erreicht hat. Darüber hinaus haben wir die Vor- und Nachteile des verbesserten PPDO-Algorithmus untersucht.

kooperative Randberechnung; Aufgabenentlastung; Datenschutz; Markov-Entscheidungsprozess