本研究提出了一种基于Lyapunov引导的强化学习方法，旨在优化MEC辅助XR设备在多任务深度神经网络推理中的能源消耗和资源分配。通过LyaPPO算法，实验证明该方法能有效降低能源消耗，提高设备性能和资源使用效率。

本文研究了联邦学习中的本地模型污染攻击，提出了FLDetector和FedDefender等防御策略，以提高模型的鲁棒性和准确性。研究表明，恶意客户端会显著降低全局模型的性能，因此需要加强防御措施以应对各种攻击。

通过灵活资源调度（FRES）框架，我们提出了一种深度渐进增强学习方法，旨在最小化无人机辅助移动边缘计算（MEC）系统的能量消耗，通过联合优化无人机位置、反射表面相移、任务卸载和资源分配，以适应可变数量的无人机。

本文提出了一个基于区块链安全的深度强化学习优化框架，用于分散的无线移动边缘计算网络中的数据管理和资源分配。通过设计低延迟的声誉股权证明共识协议，选择高可靠的区块链启用的基站，保证数据安全。将资源分配优化建模为约束的马尔可夫决策过程，平衡处理延迟和拒绝服务概率。使用移动边缘计算汇总特征作为深度强化学习的输入，减少了高维输入。约束深度强化学习有效获得适应动态拒绝服务要求的最佳资源分配。仿真结果和分析验证了该框架的安全性、可靠性和资源利用率高于基准协议和算法。

本文提出了一个基于区块链安全的深度强化学习优化框架，用于分散的无线移动边缘计算网络中的数据管理和资源分配。通过设计低延迟的声誉股权证明共识协议，选择高可靠的区块链启用的基站，保证数据安全存储和防止篡改攻击。通过将移动边缘计算资源分配优化建模为约束的马尔可夫决策过程，平衡处理延迟和拒绝服务概率。使用移动边缘计算汇总特征作为深度强化学习的输入，有效减少了剩余服务处理时间的高维输入。通过约束深度强化学习，实现适应动态拒绝服务要求的最佳资源分配。仿真结果和分析验证了该框架在安全性、可靠性和资源利用率方面优于基准区块链共识协议和移动边缘计算资源分配算法。