셀룰러 네트워크는 수십 년에 걸쳐 성공적으로 진화해 왔다. 특히 장기 진화(Long-Term Evolution, LTE)는 매우 큰 성과를 거두었으며, LTE 시스템에 대한 보안 위협은 빠르게 증가하고 있다. 특히, 추적은 LTE 사용자 단말에 대해 임시 사용자 식별자(ID)가 쉽게 추출되어 수동 도청자가 표적 단말을 위치추적하는 데 활용할 수 있으므로, 효과적인 것으로 입증되었다. 우리는 임시 사용자 식별자를 자주 업데이트하는 것과 같은 순진한 접근이, 동일 사용자 단말에 대한 새로운 임시 ID와 기존 임시 ID가 사용자 단말과 공격자 사이의 무선 채널 특성을 측정할 수 있는 적대적 주체에 의해 연결 가능하기 때문에, 사용자 추적 공격을 완화하는 데 불충분하다는 점을 관찰하였다. 본 논문에서는 위치가 알려지지 않은 공격자에 의해 수행되는 사용자 추적의 성공 확률을 최소화하기 위한 기회주의적 업링크 전력 제어 방식을 제안한다. 사용자의 위치 프라이버시 수준을 측정하기 위해 평균 추론 오차 확률(average inference error probability)이라는 개념을 고안한다. 또한 근사된 평균 추론 오차 확률의 폐형식(closed-form) 표현식을 도출하고, 각 사용자를 위한 허용 가능한 전력 예산 제약 조건 하에서 평균 추론 오차 확률을 최대화하기 위한 최적화 문제를 수립한다. 수동 공격자에 대해, 제안한 전력 제어 방식은 각 전송 시간 슬롯에 10명의 사용자가 스케줄링될 때 공격자의 추론 능력을 50% 효과적으로 저하시켜, 여러 시간 슬롯에 걸쳐 공격자에 대한 거의 100% 추론 오차로 이어지게 한다.

멀티 액세스 엣지 컴퓨팅(MEC)은 특히 자원 집약적 애플리케이션의 신속하고 실시간 처리 지원과 관련하여, 엣지 디바이스의 컴퓨팅 부담을 완화하는 유망한 해결책으로 널리 인식되어 왔다. 본 논문에서는 엣지 디바이스가 경험하는 전체 작업 완료 지연(total task completion latency)을 최소화하는 것을 목표로, 멀티 에이전트 딥 강화학습(MADRL)에 기반한 분산형 오프로딩(offloading) 의사결정 전략을 제안한다. 제안하는 방식은 완전 분산 방식으로 오프로딩 초기화 단계에서 그랜트-프리(grant-free) 액세스 메커니즘을 채택하며, 이는 본 전략의 핵심 특징이다. 그 결과, 다수의 엣지 디바이스가 동시에 액세스를 시도함으로써 최적의 오프로딩 계수(offloading factor)를 결정하는 일이 유의하게 더 어려워진다. 이러한 문제를 해결하기 위해, 이산 작용 공간 기반 딥 강화학습(DRL) 접근법인 딥 Q 네트워크(deep Q network, DQN)를 고려하여, 각 엣지 디바이스가 전역 네트워크 정보 없이도 자신의 로컬 관측(local observation)만을 바탕으로 분산형 컴퓨팅 오프로딩 정책을 학습할 수 있도록 한다. 설계에서 각 엣지 디바이스는 관측된 채널 상태 및 활성 사용자 수에 따라 오프로딩 계수를 동적으로 조정함으로써 로컬 및 원격 컴퓨팅 부하를 적응적으로 균형 있게 유지한다. 또한 제안하는 MADRL 기반 프레임워크는 다중 사용자 환경에서의 액세스 충돌(access collisions)과 컴퓨팅 병목(computation bottlenecks)을 완화하기 위해 사용자 연결(user association)과 오프로딩 의사결정 최적화를 함께 고려한다. 우리는 제안한 전략의 성능을 평가하기 위해 MATLAB R2023b를 사용한 광범위한 컴퓨터 시뮬레이션을 수행하였으며, 다양한 시스템 구성에서의 작업 완료 지연에 초점을 맞춘다. 수치 결과는 제안한 전략이 기존 방식에 비해 전체 작업 완료 지연을 효과적으로 감소시키고 학습 성능의 더 빠른 수렴을 달성함을 보여주며, 제안한 분산형 접근의 효율성과 확장성을 확인한다.