这篇文档属于类型a，即报告了一项原创研究。以下是根据该文档生成的学术报告：
作者及研究机构：
本文的主要作者包括Lushi Zhang、Hongzhi Guo、Xiaoyi Zhou和Jiajia Liu，他们均来自西北工业大学网络安全学院（School of Cybersecurity, Northwestern Polytechnical University）。该研究发表于2023年的IEEE Global Communications Conference。
学术背景：
本研究属于移动边缘计算（Mobile Edge Computing, MEC）和车联网（Internet of Vehicles, IoVs）领域。随着自动驾驶等时间敏感技术的快速发展，传统的本地计算和远程云服务器已无法满足车联网的延迟需求。MEC通过在靠近车辆的无线网络接入终端提供云计算服务，能够有效减少数据传输延迟，降低网络带宽开销，并提高系统的实时性和稳定性。然而，当前路侧单元（Roadside Units, RSUs）的部署密度较低，直接的车对基础设施（Vehicle-to-Infrastructure, V2I）通信覆盖范围有限，无法满足所有车辆的通信和计算需求。因此，亟需通过车对车（Vehicle-to-Vehicle, V2V）通信来辅助V2I通信，以实现更广泛的RSU覆盖、任务处理位置的多样化选择，甚至RSU之间的负载均衡。然而，V2V通信也面临一系列挑战，例如车辆节点的稀疏性、时变性和高速移动性，以及恶意车辆的存在。为了解决这些问题，本文提出了一种基于深度确定性策略梯度（Deep Deterministic Policy Gradient, DDPG）的可信任务卸载方案，旨在联合优化延迟和可信度。
研究流程：
1. 系统模型设计：
研究首先设计了一个包含恶意车辆和RSU的车载边缘计算网络模型。该网络由N辆车辆和M个RSU组成，车辆的运动遵循曼哈顿模型。每辆车的状态由其位置和速度表示，且每辆车在特定时间内仅完成一个计算任务。任务的属性包括输入数据量、输出数据量、所需的CPU周期数和最大允许处理延迟。RSU覆盖特定范围，并配备MEC服务器。车辆的卸载决策包括本地处理、RSU处理和远程云处理三种选择，通信模式则包括V2I和V2V两种。
信任模型构建：
为了评估车联网中节点（车辆和RSU）的可信度，研究提出了一种基于推荐信任的信任模型。该模型包括直接信任和推荐信任两部分：
任务卸载优化问题：
研究将任务卸载问题定义为联合优化延迟和可信度的问题，并提出了一种基于DDPG的解决方案。该方案通过最大化评估参数E来实现优化，E综合考虑了任务处理延迟和可信度。具体来说，DDPG算法采用“行动者-评论家”框架，通过深度神经网络替代Q表，提高了系统的效率和收敛速度。
仿真实验与性能评估：
研究使用SUMO软件生成路网模型，模拟车辆的运动和任务卸载过程。实验参数包括车辆数量、任务数据量、CPU周期数、处理延迟等。研究通过数值结果验证了所提方案的有效性，并与基于博弈论的方案和枚举算法进行了对比。结果表明，DDPG方案在联合优化延迟和可信度方面表现优异，且运行时间较短。
主要结果：
1. 联合优化效果：
实验结果表明，DDPG方案能够有效解决联合优化延迟和可信度的问题，其评估参数E接近最优解，且优于基于博弈论的方案。
运行时间：
DDPG方案的运行时间远低于枚举算法，略高于基于博弈论的方案，能够满足车联网快速决策的需求。
任务处理延迟：
DDPG方案显著优化了任务处理延迟，证明了引入V2V通信模式的重要性。
可信度：
在恶意车辆比例增加的情况下，DDPG方案仍能保持较高的任务卸载可信度，且任务处理延迟仅轻微增加，证明了信任模型的有效性。
结论：
本研究通过设计一种基于推荐信任的信任模型和DDPG任务卸载方案，有效解决了车载边缘计算网络中的延迟和可信度问题。实验结果证明了该方案在优化任务处理延迟和提高任务卸载可信度方面的优越性，为车联网的实时性和安全性提供了重要支持。
研究亮点：
1. 信任模型：提出了一种基于推荐信任的信任模型，能够有效评估车联网中节点的可信度。
2. DDPG方案：首次将DDPG算法应用于车载边缘计算网络的任务卸载问题，实现了延迟和可信度的联合优化。
3. 仿真实验：通过SUMO软件生成路网模型，验证了所提方案在实际场景中的可行性和有效性。
其他价值：
本研究为车联网的安全性和实时性提供了新的解决方案，具有重要的科学价值和应用价值。未来研究可在此基础上进一步考虑能耗等因素，以实现更现实的边缘计算研究。