随着物联网技术和5G网络通信技术的广泛应用,智能终端设备迅猛增加,导致了网络流量数据的急剧膨胀。边缘计算通过将云计算资源下沉到网络边缘设备端,为智能终端设备提供就近的计算和存储服务,从而显著缩短了任务处理的时延和能耗,有效地保障了用户服务质量。然而,面向交通视频监控的任务因其计算密集和对时延的高度敏感等特点,对任务卸载策略提出了极大的挑战。同时,在任务卸载的过程中边缘节点存在不可靠性,可能导致用户隐私泄露,影响网络的安全性。为了应对这些问题,本文提出了边缘侧的信任模型,并设计了高效的适用于交通视频监控边缘任务卸载策略。
(1)针对如何抵抗交通监控视频处理任务卸载到边缘云中导致的内部攻击的问题,提出了一种新型信任方案。该信任方案首先建立了信任特征值矩阵,然后建立了一个基于线性判别分析的差异函数,并且,为达到最佳分类效果,最大化差异函数问题被转化为寻找最佳权重的问题。该方案很好地解决了以往信任机制中阈值确立的主观性问题。仿真结果显示,提出的方案筛选正常节点的准确率超过95%,远远高于其他信任方案。
(2)在信任机制的基础之上,提出了一种基于信任机制的边缘计算任务卸载方案,考虑如何合理分配边缘计算资源以降低服务时延与系统能耗的问题,提出了基于熵权法的多准则决策的理想解相似排序技术(Technique for order preference by similarity to an ideal solution Of Multi-criteria decision making base on Entropy Weight method,EW-TOM)。EW-TOM先利用熵权法来计算时延和能耗的效用值,然后通过TOM评分算法对卸载方案进行评分,最终选择最优的卸载方案来联合优化系统时延与能耗。通过仿真实验对比,采用EW-TOM算法卸载策略的时延与能耗的综合成本均优于其他方案,综合目标值提升了6%以上。
(3)进一步考虑交通环境下车辆任务的动态性和防止因用户移动引起服务中断问题,提出了一种服务迁移卸载方法。结合直接信任值和间接信任值对边缘节点的信任值进行综合评估,在指定的信任阈值上,选择合适的方案进行迁移,实现低时延和低能耗的任务安全卸载迁移。为了建模服务迁移问题,采用了基于马尔可夫决策过程(MDP)的方法,通过Q学习算法求解模型的最优解,寻找最佳的迁移路径和卸载方案。仿真结果表明,在相同条件下提出的业务迁移方案选择边缘节点的综合信任值高,可靠性良好,在保证用户业务迁移连续性的同时,能够保持90%以上的迁移成功率,并且时降低了超过6.13%,能耗的使用降低了4.7%以上。
本文针对适用于交通视频监控的边缘计算任务安全卸载进行了研究,建立了信任模型和综合信任值模型保证边缘任务卸载的安全性,并且在选择任务卸载策略时提出了EW-TOM算法和马尔可夫-Q学习相结合的算法以降低系统的时延能耗,仿真实验结果表明,本文对边缘任务卸载的边缘侧安全性方面有很大提升并且有效降低了系统的时延和能耗。
暂无评论