一种面向移动边缘计算用户隐私保护的任务卸载优化方法技术

本发明专利技术公开了一种面向移动边缘计算用户隐私保护的任务卸载优化方法。采用获取移动设备生成的任务量、当前无线信道增益状态，采用所述任务卸载策略决策神经网络，根据决策参数决策任务卸载优化策略，并按照所述任务卸载优化策略进行任务卸载；所述卸载策略决策神经网络，为马尔可夫决策模型，其训练时所采用的奖励为卸载任务时隐私保护带来的收益和能量消耗、计算延迟带来的成本之差。本发明专利技术不仅有效地保护了用户位置隐私和使用设备模式隐私，而且兼顾了任务卸载过程中的计算成本，从而综合考虑隐私和计算成本，并在两者之间取得平衡。并在两者之间取得平衡。并在两者之间取得平衡。

【技术实现步骤摘要】
一种面向移动边缘计算用户隐私保护的任务卸载优化方法


[0001]本专利技术属于边缘计算
，更具体地，涉及一种面向移动边缘计算用户隐私保护的任务卸载优化方法。

技术介绍

[0002]随着物联网技术的高速发展和移动设备的普及，便携设备嵌入了人脸识别、增强现实等技术，这些技术应用丰富了用户的体验质量。然而，由于移动设备的尺寸限制，它们的计算能力和电量难以满足日益增长的计算需求。在移动边缘计算中，运营商将具有充足的计算资源和存储能力的云计算中心转移到靠近用户的边缘节点，例如基站。这些边缘节点拥有着不俗的计算资源，可以为移动设备提供计算资源以减少移动设备本地的计算延迟和能力消耗。移动设备将本地的计算任务传输给边缘节点处理的这一过程即任务卸载。然而，将复杂任务卸载到边缘节点处理的过程中，也带来了隐私泄露的问题。
[0003]已有研究表明由于任务卸载特性会导致用户隐私的泄露，具体来说，当移动设备只关注延迟和能耗的优化时，它倾向于在无线信道条件较好的时候将自己的所有任务都交给边缘节点计算，只有在无线信道条件不理想的时候才本地处理部分任务。因此，一个诚实而又好奇的移动边缘计算服务器可以根据移动设备的决策推断无线信道信息以及用户的位置信息和设备使用模式。已有的传统隐私保护方案，例如认证、安全和私有数据存储和计算、入侵检测等难以解决上述由于卸载决策暴露的隐私问题。目前评估卸载特性导致隐私泄露的度量方法由任务生成量与卸载量的差值决定，然而实验表明隐私保护水平会收敛到一个固定的值，攻击者可以从该常数与任务卸载量推断出用户任务生成量，从而暴露使用模式隐私。
[0004]此外，过度追求隐私保护的任务卸载决策也会导致用户的计算延迟和能量消耗的增加，所以在移动边缘计算中寻找任务卸载优化策略的最大挑战是在最小化计算成本和隐私保护之间取得平衡。已有的任务卸载方法有李雅普诺夫优化、线性规划、博弈论等方法。

技术实现思路

[0005]针对现有技术的以上缺陷或改进需求，本专利技术提供了一种面向移动边缘计算用户隐私保护的任务卸载优化方法，其目的在于采用智能学习模型进行任务卸载决策，以隐私保护带来的收益和能量消耗、计算延迟带来的成本之差作为该智能学习模型的奖励训练收敛最小化计算成本和隐私保护之间取得平衡，由此解决过度追求隐私保护的任务卸载决策也会导致用户的计算延迟和能量消耗的增加的技术问题。
[0006]为实现上述目的，按照本专利技术的一个方面，提供了一种面向移动边缘计算用户隐私保护的任务卸载优化方法，包括以下步骤：
[0007]当移动设备发送任务卸载请求时，获取移动设备生成的任务量、当前无线信道增益状态，并检查移动设备本地是否存在收敛的任务卸载策略决策神经网络，若存在则：
[0008]采用所述任务卸载策略决策神经网络，根据决策参数决策任务卸载优化策略，并
按照所述任务卸载优化策略进行任务卸载；否则：
[0009]初始化任务卸载策略决策神经网络，并读取历史决策参数以及任务卸载策略，将所述任务卸载策略决策神经网络训练至收敛，获得收敛的任务卸载策略决策神经网络，根据决策参数决策任务卸载优化策略，并按照所述任务卸载优化决策进行任务策略；所述任务卸载决策χ
t
为移动设备任务卸载比例；
[0010]所述卸载策略决策神经网络，为马尔可夫决策模型，其训练时所采用的奖励为卸载任务时隐私保护带来的收益和能量消耗、计算延迟带来的成本之差。
[0011]优选地，所述面向移动边缘计算用户隐私保护的任务卸载优化方法，其所述决策参数包括移动设备生成的任务量a
t
、当前无线信道增益h
t
、不同信道增益状态下历史任务卸载信息W
i
中卸载量的均值的集合所述不同信道增益状态下历史任务卸载信息W
i
中的所有卸载量的均值μ
i
，i∈G，G为无线信道增益状态集合，无线信道增益状态根据阈值和划分为良好(good)、正常(normal)、以及不良(bad)，无线信道增益状态集合即状态空间为G＝{good，normal，bad}；不同信道增益状态下历史任务卸载信息W
i
中卸载量的均值的集合定义为其中历史任务卸载信息W
i
为不同无线信道增益状态下的历史卸载信息，记作：d
o，t
为移动设备在时隙t的卸载量。
[0012]优选地，所述面向移动边缘计算用户隐私保护的任务卸载优化方法，其所述任务卸载策略决策神经网络为深度增强学习模型。
[0013]优选地，所述面向移动边缘计算用户隐私保护的任务卸载优化方法，其所述深度增强学习模型在时隙t：
[0014]状态s
t
定义为当前决策参数，为由无线信道增益h
t
、不同信道增益状态下历史任务卸载信息由W
i
中的所有卸载量的均值μ
i
，i∈G组成的向量；
[0015]动作a
t
定义为移动设备生成的任务量；
[0016]奖励r(s
t
，a
t
)记作：
[0017]r(s
t
，a
t
)＝ω1H(t)
‑
ω2E
t
‑
ω3D
t
[0018]其中，ω1H(t)为隐私保护级别H(t)带来的收益，ω2E
t
为能量消耗E
t
带来的成本，ω3D
t
为计算时延D
t
带来的成本，其中ω1、ω2、ω3为权值。
[0019]优选地，所述面向移动边缘计算用户隐私保护的任务卸载优化方法，其所述隐私级别H(t)优选基于信息熵评估，具体基于信息熵评估任务卸载决策的隐私保护级别的方法如下：
[0020][0021]其中，P(i)为无线信道增益状态i的概率，计算方法如下：
[0022][0023]其中，γ是一个常量，目的在于将任务卸载量d
o，t
放大到一个区间去估计概率；为无线信道增益状态i下任务卸载量的概率密度函数，优选基于和密度估计，具体为：
[0024][0025]其中，n表示集合W
i
的元素个数，b是带宽，K(
·
)是高斯分布概率密度函数，x
j
表示W
i
中的元素。
[0026]故有：
[0027][0028]优选地，所述面向移动边缘计算用户隐私保护的任务卸载优化方法，其所述计算延迟为本地计算时间和任务传输时间之间的较大值；记作：D
t
＝MAX{T
l，t
，T
o，t
}，其中T
l，t
为时隙t的本地计算时间，T
o，t
为时隙t的卸载任务传输时间。
[0029]优选地，所述面向移动边缘计算用户隐私保护的任务卸载优化方法，其所述能量消耗E本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向移动边缘计算用户隐私保护的任务卸载优化方法，其特征在于，包括以下步骤：当移动设备发送任务卸载请求时，获取移动设备生成的任务量、当前无线信道增益状态，并检查移动设备本地是否存在收敛的任务卸载策略决策神经网络，若存在则：采用所述任务卸载策略决策神经网络，根据决策参数决策任务卸载优化策略，并按照所述任务卸载优化策略进行任务卸载；否则：初始化任务卸载策略决策神经网络，并读取历史决策参数以及任务卸载策略，将所述任务卸载策略决策神经网络训练至收敛，获得收敛的任务卸载策略决策神经网络，根据决策参数决策任务卸载优化策略，并按照所述任务卸载优化决策进行任务策略；所述任务卸载决策χ
t
为移动设备任务卸载比例；所述卸载策略决策神经网络，为马尔可夫决策模型，其训练时所采用的奖励为卸载任务时隐私保护带来的收益和能量消耗、计算延迟带来的成本之差。2.如权利要求1所述的面向移动边缘计算用户隐私保护的任务卸载优化方法，其特征在于，所述决策参数包括移动设备生成的任务量a
t
、当前无线信道增益h
t
、不同信道增益状态下历史任务卸载信息W
i
中卸载量的均值的集合所述不同信道增益状态下历史任务卸载信息W
i
中的所有卸载量的均值μ
i
，i∈G，G为无线信道增益状态集合，无线信道增益状态根据阈值和划分为良好(good)、正常(normal)、以及不良(bad)，无线信道增益状态集合即状态空间为G＝{good，normal，bad}；不同信道增益状态下历史任务卸载信息W
i
中卸载量的均值的集合定义为其中历史任务卸载信息W
i
为不同无线信道增益状态下的历史卸载信息，记作：道增益状态下的历史卸载信息，记作：d
o，t
为移动设备在时隙t的卸载量。3.如权利要求2所述的面向移动边缘计算用户隐私保护的任务卸载优化方法，其特征在于，所述任务卸载策略决策神经网络为深度增强学习模型。4.如权利要求3所述的面向移动边缘计算用户隐私保护的任务卸载优化方法，其特征在于，所述深度增强学习模型在时隙t：状态s
t
定义为当前决策参数，为由无线信道增益h
t
、移动设备生成的任务量a
t
、不同信道状态下历史卸载信息中卸载量均值μ
i
，i∈G组成的向量；动作a
t
定义为移动设备生成的任务量；奖励r(s
t
，a
t
)记作：r(s
t
，a
t
)＝ω1H(t)
‑
ω2E
t
‑
ω3D
t
其中，ω1H(t)为隐私保护级别H(t)带来的收益，ω2E
t
为能量消耗E
t
带来的成本，ω3D
t
为计算时延D
t
带来的成本，其中ω1、ω2、ω3为权值。5.如权利要求4所述的面向移动边缘计算用户隐私保护的任务卸载优化方法，其特征在于，所述隐私级别H(t)优选基于信息熵评估，具体基于信息熵评估任务卸载决策的隐私保护级别的方法如下：
其中，P(i)为无线信道增益状态i的概率，计算方法如下：其中，γ是一个常量，目的在于将任务卸载量d
o，t
放大到一个区间去估计概率；为无线信道增益状态i下任务卸载量的概率密度函数，优选基于核密度估计，具体为：其中，n表示集合W
i
的元素个数，b是带宽，K(
·
)是高斯分布概率密度函数，x
j
表示W
i
中的元素。故有：6.如权利要求1所述的面向移动边缘计算用户隐私保护的任务卸载优化方法，其特征在于，所述计算延迟为本地计算时间和卸载任务传输时间之间的较大值；记作：D
t
＝MAX{T
l，t
，T
o，t

【专利技术属性】
技术研发人员：沈士根，高正俊，叶晓彤，沈亦周，刘建华，孙攀军，
申请(专利权)人：绍兴文理学院，
类型：发明
国别省市：