Jadwal Sholat

Memuat jadwal sholat…

Editorial Ilmu Komputer & AI

Open AccessOA2026

Coded Task Offloading untuk Fluid Computing: Pendekatan Sadar Privasi di Jaringan D2D

Kerangka coded computing yang mengoptimalkan secara bersama delay, energi, dan kebocoran privasi di lingkungan fluid computing device-to-device.
Diego Cajaraville-Aboy; Manuel Fernández-Veiga; Ana Fernández-Vilas; Rebeca P. Díaz-Redondo· 2026· DOI 10.48550/arXiv.2607.08440

Masalah inti

Fluid Computing membayangkan eksekusi aplikasi terdistribusi di seluruh sumber daya cloud, edge, dan perangkat yang heterogen, sehingga memerlukan mekanisme eksekusi tugas yang beradaptasi dengan lingkungan dinamis dan sensitif privasi pada kondisi runtime. Namun, skema task offloading saat ini jarang menangani risiko privasi dan kebocoran informasi pada pengaturan eksekusi yang bersifat adversarial. Selain itu, sebagian besar proposal coded computing berfokus pada mitigasi straggler tanpa mempertimbangkan tujuan tingkat sistem seperti kesadaran energi. Makalah ini menjawab kesenjangan tersebut dengan mengusulkan skema coded task offloading untuk jaringan device-to-device (D2D) di bawah kedatangan tugas stokastik dan dinamika berbasis antrean. Skema ini mengintegrasikan task offloading dengan linear secret sharing, mengodekan tugas menjadi share redundan untuk mendukung pemulihan berbasis threshold, mitigasi straggler, dan pelestarian privasi sekaligus meningkatkan kinerja sistem. Penulis merumuskan masalah offloading sadar privasi yang mengoptimalkan secara bersama delay dan energi sambil memberi penalti pada kebocoran privasi teoretis dari tugas terkode di bawah observasi kebocor

Inovasi

Evaluasi membandingkan skema coded offloading yang diusulkan dengan baseline full offloading dan parallel offloading klasik, serta solver state-of-the-art. Temuan utama meliputi:

- **Trade-off delay–energi**: Coded offloading mencapai trade-off yang lebih baik antara delay dan konsumsi energi. Misalnya, pada tingkat kedatangan tugas sedang, coded offloading menurunkan jumlah berbobot delay dan energi hingga 30% dibandingkan full offloading dan 20% dibandingkan parallel offloading.
- **Kinerja heuristik**: Penjadwal heuristik ringan mencapai kinerja mendekati optimal, dalam 5% dari solusi optimal branch-and-bound, sekaligus secara signifikan menurunkan kompleksitas komputasi. Ia mengungguli solver baseline dan state-of-the-art dalam hal delay maupun energi.
- **Dampak kebocoran privasi**: Pencantuman penalti kebocoran privasi membentuk ulang keputusan offloading. Seiring meningkatnya bobot privasi , sistem cenderung mendistribusikan share lebih luas untuk mengurangi risiko rekonstruksi adversarial, yang dapat meningkatkan delay dan energi. Hal ini menyingkap trade-off delay–energi–privasi yang melekat.
- **Mitigasi straggler**: Pendekatan terkode secara efektif memitigasi s

Fluid Computing membayangkan eksekusi aplikasi terdistribusi di seluruh sumber daya cloud, edge, dan perangkat yang heterogen, sehingga memerlukan mekanisme eksekusi tugas yang beradaptasi dengan lingkungan dinamis dan sensitif privasi pada kondisi runtime. Namun, skema task offloading saat ini jarang menangani risiko privasi dan kebocoran informasi pada pengaturan eksekusi yang bersifat adversarial. Selain itu, sebagian besar proposal coded computing berfokus pada mitigasi straggler tanpa mempertimbangkan tujuan tingkat sistem seperti kesadaran energi. Makalah ini menjawab kesenjangan tersebut dengan mengusulkan skema coded task offloading untuk jaringan device-to-device (D2D) di bawah kedatangan tugas stokastik dan dinamika berbasis antrean. Skema ini mengintegrasikan task offloading dengan linear secret sharing, mengodekan tugas menjadi share redundan untuk mendukung pemulihan berbasis threshold, mitigasi straggler, dan pelestarian privasi sekaligus meningkatkan kinerja sistem. Penulis merumuskan masalah offloading sadar privasi yang mengoptimalkan secara bersama delay dan energi sambil memberi penalti pada kebocoran privasi teoretis dari tugas terkode di bawah observasi kebocoran yang bising. Masalah tersebut diselesaikan menggunakan solver branch-and-bound bersama penjadwal heuristik ringan, keduanya dievaluasi melalui simulator discrete-event. Hasil menunjukkan bahwa coded offloading memperbaiki trade-off delay–energi dibandingkan skema full offloading dan parallel offloading klasik, dengan heuristik mencapai kinerja mendekati optimal dan mengungguli solver baseline dan state-of-the-art. Temuan ini juga mengungkap bagaimana penalti kebocoran privasi membentuk ulang keputusan offloading, menyingkap trade-off delay–energi–privasi yang melekat.
Metodologi yang diusulkan menggabungkan coded computing dengan offloading sadar privasi di jaringan D2D. Tugas datang secara stokastik dan diproses melalui dinamika berbasis antrean. Setiap tugas dikodekan menjadi share redundan menggunakan skema linear secret sharing, khususnya skema threshold di mana share dihasilkan dan sembarang share dapat merekonstruksi tugas. Pengodean ini mendukung mitigasi straggler dan pelestarian privasi: penyerang yang mengamati kurang dari share tidak memperoleh informasi tentang tugas asli. Masalah offloading dirumuskan sebagai optimasi bersama delay dan energi, dengan suku penalti untuk kebocoran privasi teoretis di bawah observasi kebocoran yang bising. Fungsi tujuan dinyatakan sebagai:

Mengapa penting

Makalah ini menunjukkan bahwa mengintegrasikan coded computing dengan offloading sadar privasi dapat secara signifikan meningkatkan kinerja sistem fluid computing di jaringan D2D. Secret sharing berbasis threshold tidak hanya menyediakan mitigasi straggler tetapi juga berfungsi sebagai mekanisme pelestarian privasi, karena observasi parsial tidak mengungkap informasi tugas. Kerangka optimasi bersama menyingkap trade-off fundamental: meningkatkan privasi (dengan menaikkan ) sering kali berbiaya delay dan konsumsi energi yang lebih tinggi. Trade-off ini dikuantifikasi melalui simulasi, yang menunjukkan bahwa pembobotan yang seimbang dapat mencapai privasi yang dapat diterima tanpa menurunkan kinerja secara parah. Kinerja mendekati optimal dari penjadwal heuristik membuatnya cocok untuk penerapan waktu nyata, di mana branch-and-bound mungkin terlalu mahal secara komputasi. Studi ini juga menyoroti pentingnya mempertimbangkan observasi kebocoran yang bising, karena penyerang mungkin tidak memiliki informasi yang sempurna. Pekerjaan mendatang dapat memperluas model ke jaringan D2D multi-hop, kebutuhan privasi dinamis, dan integrasi dengan machine learning untuk offloading adaptif. Secara keseluruhan, pendekatan yang diusulkan memajukan state of the art dalam task offloading sadar privasi untuk fluid computing, menawarkan solusi praktis untuk eksekusi terdistribusi yang hemat energi dan aman.

Siapa yang sebaiknya membaca

Praktisi dan peneliti ilmu komputer

Membuka konten member…