Privacy-Preserving in Edge Computing (Wireless Networks)

با توسعه سریع داده های بزرگ، لازم است داده های عظیم تولید شده توسط دستگاه های پایانی تحت مدل رایانش ابری سنتی به ابر منتقل شود. با این حال، تأخیرهای ناشی از انتقال انبوه داده دیگر نیازهای خدمات مختلف تلفن همراه را برآورده نمی کند. بنابراین، ظهور محاسبات لبه اخیراً به عنوان یک الگوی محاسباتی جدید توسعه یافته است که می تواند داده ها را در لبه شبکه جمع آوری و پردازش کند، که راحتی قابل توجهی را برای حل مشکلاتی مانند تاخیر، پهنای باند و بارگذاری خارج از ابر سنتی به ارمغان می آورد. پارادایم محاسباتی با گسترش عملکردهای ابری به لبه شبکه، محاسبات لبه کنترل دسترسی موثر به داده ها، محاسبات، پردازش و ذخیره سازی را برای دستگاه های پایانی فراهم می کند. علاوه بر این، محاسبات لبه، اتصال یکپارچه از ابر به دستگاه‌ها را بهینه می‌کند، که پایه‌ای برای تحقق اتصال همه چیز در نظر گرفته می‌شود. با این حال، با توجه به ویژگی های باز محاسبات لبه، مانند آگاهی از محتوا، محاسبات بلادرنگ و پردازش موازی، مشکلات موجود در حفظ حریم خصوصی در محیط محاسبات لبه برجسته تر شده است. دسترسی به چندین دسته و تعداد زیادی دستگاه در محاسبات لبه نیز مشکلات جدیدی را در خصوص حریم خصوصی ایجاد می کند.

در این کتاب، ما در مورد پیشینه تحقیق و فرآیند تحقیق فعلی حفاظت از حریم خصوصی در محاسبات لبه بحث می کنیم. در فصل اول، آخرین تحقیقات محاسبات لبه بررسی شده است. فصل دوم در مورد مسئله حریم خصوصی داده ها و مدل های حمله در محاسبات لبه بحث می کند. سه دسته از طرح های حفظ حریم خصوصی در فصل های بعدی بیشتر معرفی خواهند شد. فصل سوم طرح حفظ حریم خصوصی آگاه از زمینه را معرفی می کند. فصل چهارم بیشتر یک طرح حفظ حریم خصوصی متمایز آگاه از مکان را معرفی می کند. فصل پنجم، حفظ حریم خصوصی غیرمتمرکز مبتنی بر بلاک چین را در محاسبات لبه ارائه می‌کند. فصل ششم این تک نگاری را خلاصه می کند و مسیرهای تحقیقاتی آینده را پیشنهاد می کند.

به طور خلاصه، این کتاب تکنیک های زیر را در محاسبات لبه معرفی می کند: 1) یک مدل حفظ حریم خصوصی مبتنی بر MDP را برای حل حریم خصوصی داده آگاه از زمینه در پارادایم محاسباتی لبه سلسله مراتبی؛ 2) روش های خوشه بندی مبتنی بر SDN را برای حل مشکلات حریم خصوصی آگاه از مکان در محاسبات لبه توصیف کنید. 3) یک طرح جدید حفظ حریم خصوصی مبتنی بر بلاک چین را در محاسبات لبه توصیف کنید. این تکنیک ها توسعه سریع حفظ حریم خصوصی در محاسبات لبه را امکان پذیر می کند.

With the rapid development of big data, it is necessary to transfer the massive data generated by end devices to the cloud under the traditional cloud computing model. However, the delays caused by massive data transmission no longer meet the requirements of various real-time mobile services. Therefore, the emergence of edge computing has been recently developed as a new computing paradigm that can collect and process data at the edge of the network, which brings significant convenience to solving problems such as delay, bandwidth, and off-loading in the traditional cloud computing paradigm. By extending the functions of the cloud to the edge of the network, edge computing provides effective data access control, computation, processing and storage for end devices. Furthermore, edge computing optimizes the seamless connection from the cloud to devices, which is considered the foundation for realizing the interconnection of everything. However, due to the open features of edge computing, such as content awareness, real-time computing and parallel processing, the existing problems of privacy in the edge computing environment have become more prominent. The access to multiple categories and large numbers of devices in edge computing also creates new privacy issues.

In this book, we discuss on the research background and current research process of privacy protection in edge computing. In the first chapter, the state-of-the-art research of edge computing are reviewed. The second chapter discusses the data privacy issue and attack models in edge computing. Three categories of privacy preserving schemes will be further introduced in the following chapters. Chapter three introduces the context-aware privacy preserving scheme. Chapter four further introduces a location-aware differential privacy preserving scheme. Chapter five presents a new blockchain based decentralized privacy preserving in edge computing. Chapter six summarize this monograph and propose future research directions.

In summary, this book introduces the following techniques in edge computing: 1) describe an MDP-based privacy-preserving model to solve context-aware data privacy in the hierarchical edge computing paradigm;  2) describe a SDN based clustering methods to solve the location-aware privacy problems in edge computing; 3) describe a novel blockchain based decentralized privacy-preserving scheme in edge computing. These techniques enable the rapid development of privacy-preserving in edge computing.