边缘计算中基于综合信任评价的任务卸载策略

doi:10.12263/DZXB.20210296

电子学报 ›› 2022, Vol. 50 ›› Issue (9): 2134-2145.DOI: 10.12263/DZXB.20210296

边缘计算中基于综合信任评价的任务卸载策略

熊小峰¹, 黄淳岚¹^,², 乐光学¹^,², 戴亚盛², 杨晓慧², 杨忠明¹^,²

^1.江西理工大学理学院，江西赣州 341000
^2.嘉兴学院信息科学与工程学院，浙江嘉兴 314001

收稿日期:2021-03-01 修回日期:2021-08-10 出版日期:2022-09-25
- 通讯作者:
- 乐光学
- 作者简介:
- 熊小峰　男，1965年6月出生于江西赣州，江西理工大学教授，主要研究方向为数学建模与算法优化. E-mail: xxf_gz@163.com
  黄淳岚　女，1997年4月出生于浙江嘉兴，硕士研究生，主要研究方向为边缘计算与协同服务. E-mail: huangcl_lan@163.com
  乐光学　男， 1963年11月出生于贵州天柱，博士，嘉兴学院教授，IEEE会员，CCF会员，研究领域包括边缘计算、多云融合与协同服务、无线 Mesh 网络和移动云计算.
  戴亚盛　男， 1993年8月出生于浙江宁波，博士研究生，主要研究方向为边缘计算多云融合与协同服务.
  杨晓慧　女， 1996年5月出生于山西运城，博士研究生，CCF会员，主要研究方向为边缘计算与协同服务.
  杨忠明　男，1998年8月出生于贵州贵阳，硕士研究生，主要研究方向为边缘计算与协同服务.
- 基金资助:
- 国家自然科学基金 (U19B2015)

Task Offloading Scheme Based on Comprehensive Trust Evaluation in Edge Computing

XIONG Xiao-feng¹, HUANG Chun-lan¹^,², YUE Guang-xue¹^,², DAI Ya-sheng², YANG Xiao-hui², YANG Zhong-ming¹^,²

^1.College of Science，Jiangxi University of Science and Technology，Ganzhou，Jiangxi 341000，China
^2.College of Mathematical Information and Engineering，Jiaxing University，Jiaxing，Zhejiang 314001，China

Received:2021-03-01 Revised:2021-08-10 Online:2022-09-25 Published:2022-10-26
- Corresponding author:
- YUE Guang-xue

摘要/Abstract

摘要：

针对边缘计算中存在虚假欺骗、搭便车等不良行为导致资源浪费和卸载服务低效的问题，提出一种基于综合信任评价的任务卸载（Task Offloading scheme based on Comprehensive Trust Evaluation， TOCTE）策略. 建立节点信任遗忘函数，以任务真实性和节点卸载协作行为特征为约束，构建节点间卸载请求和协作信任评价模型，识别并过滤网络中的虚假任务和不良协作节点. 设计搜索发现概率优化粒子群算法，规避节点重复利用引起的节点过载，提高边缘计算任务卸载效率和资源有效利用. 仿真实验表明，TOCTE策略模型真实任务执行成功率达到59.22%，资源损耗率最低达到6.35%，能有效抑制和过滤虚假任务，降低资源损耗.

关键词: 边缘计算, 可信卸载, 任务过滤, 综合评价, 粒子群算法

Abstract:

In edge computing, waste of resources and inefficient offloading services are key issues caused by bad behaviors such as false deception and free-riding. To address the selfishness key issues, a task offloading scheme based on comprehensive trust evaluation(TOCTE) is proposed. By establishing nodes trust forgetting function, and taking task authenticity and nodes offloading cooperative behavior characteristics as constraints, the offloading request and cooperative trust evaluation models between nodes are constructed to identify and filter false tasks and bad cooperative nodes in the network. Particle swarm algorithm based on search discovery probability is designed to avoid the node overload caused by the repeatedly utilization of nodes, improve task offloading efficiency and resource utilization of edge computing. The simulation results show that the real task execution success rate and the lowest resource consumption rate of TOCTE are 59.22% and 6.35%. TOCTE model can effectively suppress and filter false tasks, and reduce resource consumption.

Key words: edge computing, trusted offloading, task filtering, comprehensive evaluation, particle swarm algorithm

中图分类号:

TP393

熊小峰, 黄淳岚, 乐光学, 戴亚盛, 杨晓慧, 杨忠明. 边缘计算中基于综合信任评价的任务卸载策略[J]. 电子学报, 2022, 50(9): 2134-2145.

XIONG Xiao-feng, HUANG Chun-lan, YUE Guang-xue, DAI Ya-sheng, YANG Xiao-hui, YANG Zhong-ming. Task Offloading Scheme Based on Comprehensive Trust Evaluation in Edge Computing[J]. Acta Electronica Sinica, 2022, 50(9): 2134-2145.

图/表 32

图1 边缘协同服务模型

图2 边缘协同服务可信卸载框架

图3 记忆保持衰减曲线示意图

图4 卸载请求行为评价模型

图5 卸载协作综合评价模型

图6 簇内协作节点寻优流程

图7 SN节点任务过滤状态图

表1 节点任务过滤状态说明

任务状态	状态描述:	任务状态	状态描述:
$q 11$	服务等待状态	$q 16$	簇内信息接收状态
$q 12$	节点关系识别状态	$q 17$	任务特征信息更新状态
$q 13$	卸载请求接受状态	$q 18$	卸载请求信任更新状态
$q 14$	卸载请求拒绝状态	$q 19$	结束状态
$q 15$	簇内任务卸载状态

表1 节点任务过滤状态说明

任务状态	状态描述:	任务状态	状态描述:
$q 11$	服务等待状态	$q 16$	簇内信息接收状态
$q 12$	节点关系识别状态	$q 17$	任务特征信息更新状态
$q 13$	卸载请求接受状态	$q 18$	卸载请求信任更新状态
$q 14$	卸载请求拒绝状态	$q 19$	结束状态
$q 15$	簇内任务卸载状态

图8 SN节点卸载协作状态图

表2 节点卸载服务决策状态说明

任务状态	状态描述:	任务状态	状态描述:
$q 21$	服务等待状态	$q 26$	任务卸载状态
$q 22$	卸载协作信任更新状态	$q 27$	节点特征信息更新状态
$q 23$	信任关系判别状态	$q 28$	行为信任更新状态
$q 24$	协作节点选择状态	$q 29$	结束状态
$q 25$	卸载协商状态

表2 节点卸载服务决策状态说明

任务状态	状态描述:	任务状态	状态描述:
$q 21$	服务等待状态	$q 26$	任务卸载状态
$q 22$	卸载协作信任更新状态	$q 27$	节点特征信息更新状态
$q 23$	信任关系判别状态	$q 28$	行为信任更新状态
$q 24$	协作节点选择状态	$q 29$	结束状态
$q 25$	卸载协商状态

图9 TOCTE卸载协同服务

图10 任务卸载执行状态图

表3 任务状态说明

任务状态	状态描述:	任务状态	状态描述:
$q 1$	簇间卸载抉择状态	$q 6$	簇内卸载执行状态
$q 2$	簇间卸载等待状态	$q 7$	任务执行状态
$q 3$	簇间卸载执行状态	$q 8$	任务完成状态
$q 4$	簇内卸载抉择状态	$q 9$	任务失败状态
$q 5$	簇内卸载等待状态	$q 10$	结束状态

表3 任务状态说明

任务状态	状态描述:	任务状态	状态描述:
$q 1$	簇间卸载抉择状态	$q 6$	簇内卸载执行状态
$q 2$	簇间卸载等待状态	$q 7$	任务执行状态
$q 3$	簇间卸载执行状态	$q 8$	任务完成状态
$q 4$	簇内卸载抉择状态	$q 9$	任务失败状态
$q 5$	簇内卸载等待状态	$q 10$	结束状态

表4 网络环境设置

测试组编号	网络规模	云服务器	SN节点数	边缘计算簇数	EN节点数	簇规模
1	5051	1	50	50	100	101
2	7071	1	70	70	100	101
3	10101	1	100	100	100	101
4	12121	1	120	120	100	101
5	15151	1	150	150	100	101
6	20201	1	200	200	100	101

表5 参数设置

参数	数值
任务计算量 $c t$	1~4 MB
任务所需内存 $m t$	1~4 MB
EN工作计算能力 $a i e x e$	4~8 MB/s
EN在线时长 $t i o n$	0.5~1 h
EN可执行任务量 $C i$	300~500 MB
EN可提供内存 $M i$	100~500 MB
观察周期 $t c y c$	360 s
时间片数 $t k$	360
最大负载率 $ρ$	0.8
任务执行成功率权重 $ω$	0.8

表5 参数设置

参数	数值
任务计算量 $c t$	1~4 MB
任务所需内存 $m t$	1~4 MB
EN工作计算能力 $a i e x e$	4~8 MB/s
EN在线时长 $t i o n$	0.5~1 h
EN可执行任务量 $C i$	300~500 MB
EN可提供内存 $M i$	100~500 MB
观察周期 $t c y c$	360 s
时间片数 $t k$	360
最大负载率 $ρ$	0.8
任务执行成功率权重 $ω$	0.8

表6 性能评价指标

分析对象	评价指标	描述
卸载请求行为评价模型	非合作节点识别率	观察周期内,SN节点识别的非合作节点数与边缘计算中SN节点总数的比值;
	非合作节点识别准确率	观察周期内,SN节点识别的非合作节点中,身份无误的节点数与节点总数的比值;
	卸载请求拒绝率	观察周期内,SN节点拒绝的任务数与接收到的卸载请求任务数的比值;
	卸载请求拒绝准确率	观察周期内,SN节点拒绝的任务中,虚假任务数与总任务数的比值;
	资源有效利用率	观察周期内,SN节点接受的任务中,来自合作节点的任务数与总任务数的比值;
卸载协作综合评价模型	在线时长	观察周期内,簇内最短EN节点剩余在线时长;
	任务卸载率	观察周期内,边缘计算簇接受的任务中,卸载至其他簇的任务数与总任务数的比值;
	任务执行失败率	观察周期内,边缘计算簇接受且执行的任务中,执行失败的任务数与总任务数的比值;
	任务拒绝次数	观察周期内,边缘计算簇中各EN节点拒绝任务卸载请求次数的总和;
卸载综合效用	真实任务执行成功率	观察周期内,边缘计算簇接受的任务中,真实且被成功执行的任务数与总任务数的比值
卸载综合效用	资源损耗率	观察周期内,边缘计算中虚假任务执行消耗的资源与各EN节点提供的资源总和的比值;

图11 不同信任阈值下非合作节点识别情况

图12 不同信任阈值下虚假任务过滤情况

图13 不同信任阈值下资源

图14 不同策略下资源有效利用率　　　　　　　　　　　有效利用率变化

图15 不同网络规模下非合作节点识别情况

图16 不同网络规模下虚假任务过滤情况

图17 不同网络规模下资源有效利用率

表7 节点集划分

节点集	优节点集	良节点集	一般节点集	差节点集
信任范围	0.9~1	0.75~0.9	0.6~0.75	0~0.6

图18 不同的信任阈值对比分析

图19 卸载策略对比

表8 卸载策略效果对比

算法	平均决策时长/s	平均拒绝次数	平均在线时长/s	平均任务卸载率	平均任务执行失败率
Random Walk	0.5202	1288	3765.42	0.0485	0.5852
AODV	0.5545	1059	3778.28	0.0487	0.5851
TOO	0.6007	1765	3629.58	0.0083	0.5394
TOCTE	1.9344	831	9319.17	0.2659	0.2468

图20 协作节点寻优算法对比

表9 协作节点寻优算法决策时长对比 (s)

搜索算法	实验1	实验2	实验3	实验4	实验5	平均时长	单位周期时长
PSO	1568.6	1568.7	1554.5	1552.2	1477.6	1544.3	1.544
CS	2915.8	2864.4	2878.9	2858.1	2776.9	2858.8	2.859
PS-SA	3852.2	3684.7	3723.3	3770.5	3621.3	3730.4	3.730
PS-SDP	2737.3	2598.5	2628.3	2643.7	2567.9	2635.1	2.635

图21 真实任务执行成功率

图22 资源损耗率

表10 不同策略卸载综合性能对比

性能	真实任务执行成功率		资源损耗率
性能	最高	平均	最低	平均
AODV	0.2804	0.2516	0.1103	0.1276
TOO	0.3086	0.2797	0.1309	0.1546
TOO-TC	0.3668	0.3392	0.09	0.1033
TCO	0.3323	0.3054	0.0828	0.095
CNCO	0.5076	0.458	0.0953	0.1112
TOCTE	0.5922	0.5552	0.0635	0.0753

参考文献 16

1	施巍松, 张星洲, 王一帆, 等. 边缘计算: 现状与展望[J]. 计算机研究与发展, 2019, 56(1): 69-89.
	SHI W S, ZHANG X Z, WANG Y F, et al. Edge computing: State-of-the-art and future directions[J]. Journal of Computer Research and Development, 2019, 56(1): 69-89. (in Chinese)
2	李智勇, 王琦, 陈一凡, 等. 车辆边缘计算环境下任务卸载研究综述[J]. 计算机学报, 2021, 44(5): 963-982.
	LI Z Y, WANG Q, CHEN Y F, et al. A survey on task offloading research in vehicular edge computing[J]. Chinese Journal of Computers, 2021, 44(5): 963-982. (in Chinese)
3	蔡绍滨, 韩启龙, 高振国, 等. 基于云模型的无线传感器网络恶意节点识别技术的研究[J]. 电子学报, 2012, 40(11): 2232-2238.
	CAI S B, HAN Q L, GAO Z G, et al. Research on cloud trust model for malicious node detection in wireless sensor network[J]. Acta Electronica Sinica, 2012, 40(11): 2232-2238. (in Chinese)
4	LIN Y H, SHEN H Y. CloudFog: leveraging fog to extend cloud gaming for thin-client MMOG with high quality of service[J]. IEEE Transactions on Parallel and Distributed Systems, 2017, 28(2): 431-445.
5	王妍, 韩笑, 曾辉, 等. 边缘计算环境下服务质量可信的任务迁移节点选择[J]. 计算机科学, 2020, 47(10): 240-246.
	WANG Y, HAN X, ZENG H, et al. Task migration node selection with reliable service quality in edge computing environment[J]. Computer Science, 2020, 47(10): 240-246. (in Chinese)
6	乐光学, 戴亚盛, 杨晓慧, 等. 边缘计算多约束可信协同任务迁移策略[J]. 电信科学, 2019, 35(11): 36-50.
	YUE G X, DAI Y S, YANG X H, et al. Multi-constrained trusted cooperative task migration strategy for edge computing[J]. Telecommunications Science, 2019, 35(11): 36-50. (in Chinese)
7	YAN J J, WU D P, SANYAL S, et al. Trust-oriented partner selection in D2D cooperative communications[J]. IEEE Access, 2017, 5: 3444-3453.
8	邓晓衡, 关培源, 万志文, 等. 基于综合信任的边缘计算资源协同研究[J]. 计算机研究与发展, 2018, 55(3): 449-477.
	DENG X H, GUAN P Y, WAN Z W, et al. Integrated trust based resource cooperation in edge computing[J]. Journal of Computer Research and Development, 2018, 55(3): 449-477. (in Chinese)
9	赫尔曼·艾宾浩斯.记忆的奥秘[M]. 王迪菲, 译. 北京: 北京理工大学出版社, 2013.
10	王妍, 韩笑, 曾辉, 等. 边缘计算环境下服务质量可信的任务迁移节点选择[J]. 计算机科学, 2020, 47(10): 240-246.
	WANG Y, HAN X, ZENG H, et al. Task migration node selection with reliable service quality in edge computing environment[J]. Computer Science, 2020, 47(10): 240-246. (in Chinese)
11	张磊, 张希, 安成锦, 等. 基于信誉的延迟容忍网络激励方案[J]. 电子学报, 2014, 42(9): 1738-1743.
	ZHANG L, ZHANG X, AN C J, et al. A reputation-based incentive scheme for delay tolerant networks[J]. Acta Electronica Sinica, 2014, 42(9): 1738-1743. (in Chinese)
12	KULKARNI R V, VENAYAGAMOORTHY G K. Particle swarm optimization in wireless-sensor networks: A brief survey[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part C(Applications and Reviews), 2011, 41(2): 262-267.
13	YANG X S, DEB S. Cuckoo search: Recent advances and applications[J].Neural Computing and Applications, 2014, 24(1): 169-174.
14	张以文, 汪开斌, 严远亭, 等. 基于覆盖随机游走算法的服务质量预测[J]. 计算机学报, 2018, 41(12): 2756-2768.
	ZHANG Y W, WANG K B, YAN Y T, et al. Service quality prediction based on covering random walk algorithm[J]. Chinese Journal of Computers, 2018, 41(12): 2756-2768. (in Chinese)
15	KUM D W, LE A N, CHO Y Z, et al. An efficient on-demand routing approach with directional flooding for wireless mesh networks[J]. Journal of Communications and Networks, 2010, 12(1): 67-73.
16	WANG B, XIE H X, XIA X D, et al. A NSGA-II algorithm hybridizing local simulated-annealing operators for a Bi-criteria robust job-shop scheduling problem under scenarios[J]. IEEE Transactions on Fuzzy Systems, 2019, 27(5): 1075-1084.

[1]	宋政育, 郝媛媛, 孙昕. 低轨卫星协作边缘计算任务迁移和资源分配算法[J]. 电子学报, 2022, 50(3): 567-573.
[2]	周泓岑, 白恒, 才振功, 蔡亮, 顾静, 汤志敏. 基于LSTM和GRNN的容器配额优化算法[J]. 电子学报, 2022, 50(2): 366-373.
[3]	廖勇, 田肖懿, 蔡志镕, 花远肖, 韩庆文. 面向C-V2I的基于边缘计算的智能信道估计[J]. 电子学报, 2021, 49(5): 833-842.
[4]	许新操, 刘凯, 刘春晖, 蒋豪, 郭松涛, 吴巍炜. 基于势博弈的车载边缘计算信道分配方法[J]. 电子学报, 2021, 49(5): 851-860.
[5]	刘雷, 陈晨, 冯杰, 肖婷婷, 裴庆祺. 车载边缘计算卸载技术研究综述[J]. 电子学报, 2021, 49(5): 861-871.
[6]	孙全明, 曲志坚, 任崇广. 基于粒子群优化和LightGBM的情景感知多式联运推荐[J]. 电子学报, 2021, 49(5): 894-903.
[7]	周熙炜, 汪贵平, 王会峰, 尚宵. 车-路协同电动汽车动态无线充电的路权调度控制[J]. 电子学报, 2021, 49(5): 904-911.
[8]	郝诗雅, 杨媛媛, 董怡靖, 赵晓旭, 陈嘉兴. 水声传感器网络中粒子群与蒙特卡罗优化的移动定位算法[J]. 电子学报, 2021, 49(2): 292-299.
[9]	王毅, 李晓梦, 耿国华, 周琳, 段焱中. 基于直觉模糊熵的混合粒子群优化算法[J]. 电子学报, 2021, 49(12): 2381-2389.
[10]	乐光学, 戴亚盛, 杨晓慧, 杨忠明, 马柏林, 刘建华. 海上边缘计算云边智能协同服务建模[J]. 电子学报, 2021, 49(12): 2407-2420.
[11]	陈健瑞, 王景璟, 侯向往, 方政儒, 杜军, 任勇. 挺进深蓝：从单体仿生到群体智能[J]. 电子学报, 2021, 49(12): 2458-2467.
[12]	覃剑, 石昌伟, 张媛, 贾云健, 胡浩星. 边缘视频处理的细粒度划分与重组部署算法[J]. 电子学报, 2021, 49(11): 2152-2159.
[13]	崔玉亚, 张德干, 张婷, 杨鹏, 朱浩丽. 一种面向移动边缘计算的多用户细粒度任务卸载调度方法[J]. 电子学报, 2021, 49(11): 2202-2207.
[14]	陈思光, 陈佳民, 赵传信. 基于深度强化学习的云边协同计算迁移研究[J]. 电子学报, 2021, 49(1): 157-166.
[15]	郝少伟, 李勇军, 赵尚弘, 王蔚龙, 王星宇. 基于改进粒子群算法的多载波NOMA功率分配策略[J]. 电子学报, 2020, 48(10): 2009-2016.

边缘计算中基于综合信任评价的任务卸载策略

Task Offloading Scheme Based on Comprehensive Trust Evaluation in Edge Computing

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 32

参考文献 16

相关文章 15

编辑推荐

Metrics