电子学报 ›› 2022, Vol. 50 ›› Issue (9): 2134-2145.DOI: 10.12263/DZXB.20210296
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
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:
作者简介:
基金资助:
XIONG Xiao-feng1, HUANG Chun-lan1,2, YUE Guang-xue1,2, DAI Ya-sheng2, YANG Xiao-hui2, YANG Zhong-ming1,2
Received:
2021-03-01
Revised:
2021-08-10
Online:
2022-09-25
Published:
2022-10-26
Corresponding author:
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.
中图分类号:
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.
任务 状态 | 状态描述: | 任务 状态 | 状态描述: | |
服务等待状态 | 簇内信息接收状态 | |||
节点关系识别状态 | 任务特征信息更新状态 | |||
卸载请求接受状态 | 卸载请求信任更新状态 | |||
卸载请求拒绝状态 | 结束状态 | |||
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: | |
服务等待状态 | 簇内信息接收状态 | |||
节点关系识别状态 | 任务特征信息更新状态 | |||
卸载请求接受状态 | 卸载请求信任更新状态 | |||
卸载请求拒绝状态 | 结束状态 | |||
簇内任务卸载状态 |
任务 状态 | 状态描述: | 任务 状态 | 状态描述: | |
服务等待状态 | 任务卸载状态 | |||
卸载协作信任更新状态 | 节点特征信息更新状态 | |||
信任关系判别状态 | 行为信任更新状态 | |||
协作节点选择状态 | 结束状态 | |||
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: | |
服务等待状态 | 任务卸载状态 | |||
卸载协作信任更新状态 | 节点特征信息更新状态 | |||
信任关系判别状态 | 行为信任更新状态 | |||
协作节点选择状态 | 结束状态 | |||
卸载协商状态 |
任务 状态 | 状态描述: | 任务 状态 | 状态描述: | |
簇间卸载抉择状态 | 簇内卸载执行状态 | |||
簇间卸载等待状态 | 任务执行状态 | |||
簇间卸载执行状态 | 任务完成状态 | |||
簇内卸载抉择状态 | 任务失败状态 | |||
簇内卸载等待状态 | 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: | |
簇间卸载抉择状态 | 簇内卸载执行状态 | |||
簇间卸载等待状态 | 任务执行状态 | |||
簇间卸载执行状态 | 任务完成状态 | |||
簇内卸载抉择状态 | 任务失败状态 | |||
簇内卸载等待状态 | 结束状态 |
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 |
参数 | 数值 |
---|---|
任务计算量 | 1~4 MB |
任务所需内存 | 1~4 MB |
EN工作计算能力 | 4~8 MB/s |
EN在线时长 | 0.5~1 h |
EN可执行任务量 | 300~500 MB |
EN可提供内存 | 100~500 MB |
观察周期 | 360 s |
时间片数 | 360 |
最大负载率 | 0.8 |
任务执行成功率权重 | 0.8 |
表5 参数设置
参数 | 数值 |
---|---|
任务计算量 | 1~4 MB |
任务所需内存 | 1~4 MB |
EN工作计算能力 | 4~8 MB/s |
EN在线时长 | 0.5~1 h |
EN可执行任务量 | 300~500 MB |
EN可提供内存 | 100~500 MB |
观察周期 | 360 s |
时间片数 | 360 |
最大负载率 | 0.8 |
任务执行成功率权重 | 0.8 |
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 |
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; |
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 |
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; |
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 |
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 |
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 |
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 |
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 |
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 |
性能 | 真实任务执行成功率 | 资源损耗率 | ||
---|---|---|---|---|
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 |
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 | ||
---|---|---|---|---|
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 |
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. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||