边缘云环境中安全任务卸载的效益最大化方法   0    0

本发明公开一种边缘云环境中安全任务卸载的效益最大化方法。全服务包括机密性服务和完整性服务，运行机密性服务和完整性服务，根据其运行时间，得到安全等级的计算公式，根据两种服务下的联合概率风险，确定使用安全服务的等级，以保证使用的安全服务能够确保数据的安全性。综合考虑任务的安全需求和任务的截止日期，制定效益最大化(PM)问题。提出了一种考虑安全问题的任务卸载效益最大化方法，该方法采用遗传算法，考虑了任务的执行位置和顺序，并设计交叉和变异操作，来实现边缘云计算环境下总效益最大化。

1.边缘云环境中安全任务卸载的效益最大化方法，其特征在于包括以下步骤：
步骤S1构建安全模型，其中该安全模型的安全服务包括机密性服务和完整性服务；具体如下：
步骤S1‑1运行所有的机密性服务和完整性服务得到它们的执行时间，假设运行服务的执行时间越长具有越高的安全等级，据此，机密性服务的安全等级计算为：
其中 为第k个机密性服务的执行时间； 为第k个机密性服务的安全等级；Q1为人为定义的机密性服务执行时间基准；
完整性服务的安全等级计算为：
其中 表示第k个完整性服务的执行时间； 表示第k个完整性服务的安全等级；Q2为人为定义的完整性服务执行时间基准；
步骤S1‑2执行时间与数据大小成正比，可以得到：
其中 表示1MB的数据在单个CPU下安全服务S的执行时间；D为数据大小； 表示s服务的执行时间；N表示CPU的数量；cd表示机密性服务；ig表示完整性服务；
步骤S1‑3假设外界攻击次数服从泊松分布，那么添加安全等级为 的安全服务的任务的风险概率为如下的指数分布：
s s
其中sd 表示任务的安全需求；π表示安全服务s的风险系数； 表示第k个安全服务s的安全等级；
因此两种安全服务下的联合风险概率为：
步骤S1‑4为了保证移动设备提交任务的安全性，安全服务S的安全等级需要满足以下条件：
s
其中sd为云端和边缘节点对安全服务s的安全需求的最大值；
s s s
sd＝max{sd(edge),sd(cloud)},s∈{cd,ig}    式(7)
s s
其中sd(edge)表示边缘节点上的安全需求；sd(cloud)表示云端上的安全需求；
步骤S2制定安全任务卸载的效益最大化问题
步骤S2‑1设xi为任务ti的执行位置,xi＝1表示任务ti被卸载到远程云端上并执行,xi＝
0表示任务ti在边缘节点执行，即：
其中S(τ)＝{1,2,…,n(τ)}表示当前时间段τ的所有任务的索引编号集合；
步骤S2‑2使用X(τ)＝{x1,…,xi,…,xn(τ)}表示不同索引编号任务的执行位置；使用Y(τ)＝{y1,…,yi,…,yn(τ)}表示不同索引编号任务的执行顺序，其中yi≠yj,步骤S2‑3判断任务位于边缘节点还是被卸载到云端，然后计算索引编号为i的任务ti的效益 具体如下：
①若任务ti在边缘节点上，则任务ti的效益计算：
其中 表示任务ti的结束时间实际值，其中 表示任务ti在边缘
节点的执行时间， 表示任务ti的截止日期期望值，ηi表示完成任务ti所获得的效益；
②若任务ti卸载到云端，则任务ti的效益计算：
如果一个任务计划在远程云端上执行，那么在卸载之前，应该添加安全服务来保证数据的安全性；任务ti将会经历四个步骤，分别为添加安全服务，传输数据到云端，卸载安全服务，执行任务；任务ti的结束时间实际值包括五个部分：
其中 是任务ti的开始时间， 是任务ti在边缘节点上添加安全服务的时间，
是任务ti传输数据到云端的传输时间， 是任务ti卸载安全服务所消耗的安全时间， 是任务ti在云端上的执行时间；
其中Di表示任务ti的数据大小，Wi表示任务ti的工作负载；
根据上式，计算任务ti在云端所需的最小资源
云端的费用为:
其中p表示1MB数据在单位时间的计算费用， 表示任务ti在云端的总消耗时间；且在云上计算的任务ti的效益为：
其中ηi表示完成任务ti所获得的效益；
步骤S2‑4边缘节点的总效益计算如下：
步骤S3使用遗传算法，种群初始化，分别产生任务计划的执行位置和执行顺序的m种方案，即种群中的m个个体；
步骤S4种群中的m个个体进行交叉变异操作，不断迭代，得到最终的任务卸载方案。

2.根据权利要求1所述的边缘云环境中安全任务卸载的效益最大化方法，其特征在于步骤S3具体如下：
效益Ψ(·)看做与X(τ)和Y(τ)相关的函数，X(τ)＝{x1,…,xi,…,xn(τ)}，表示任务的执行位置，Y(τ)＝{y1,…,yi,…,yn(τ)}，表示任务的执行顺序；X(τ)和Y(τ)的搜索空间满足如下的公式：
步骤S3‑1种群初始化，随机产生一个数∈1在[0,1]之间，如果∈1≤0.5,xi＝0,否则xi＝
1；该∈1作为执行位置；
步骤S3‑2重复步骤S3‑1直至产生n(τ)个执行位置；
步骤S3‑3复制S(τ)为S；
步骤S3‑4随机产生一个正整数∈2在[1,|S|]之间，让yi为S中的第∈2个元素 然后移除第∈2个元素；即 该∈2为执行顺序；
步骤S3‑5重复步骤S3‑4直至产生n(τ)个执行顺序，即产生了一个个体，分别包括任务计划的执行位置和执行顺序；
步骤S3‑6重复步骤S3‑1到步骤S3‑5直至产生m个个体，m为人为设定的种群个体的数量。

3.根据权利要求2所述的边缘云环境中安全任务卸载的效益最大化方法，其特征在于步骤S4具体如下：
步骤S4‑1从种群中选取两个个体，X1和X2分别表示这两个个体的执行位置向量；随机选取分界点，从分界点处X1和X2被分成两个子串 和 交换第二部分产生两个新的执行位置向量X12和X21，即
步骤S4‑2Y1和Y2分别表示这两个个体的执行顺序向量；随机选取分界点，从分界点处Y1和Y2被分为两个子串 和 通过交换两个子串，得到两个临时执行顺序向量Y′12和Y′21，即 从前到后分别扫描两个临时执行顺序向量Y′12和
Y′21，删除重复出现的数字后产生两个新的执行顺序向量；
步骤S4‑3循环步骤S4‑1和步骤S4‑2，直至种群中的所有个体都被选择完，此过程产生m个新个体；
步骤S4‑4从种群中遍历所有个体执行如下：随机产生一个在[0,1]之间的数∈3，如果∈3＜p1，p1表示变异率，跳过步骤S4‑5和S4‑6，直接执行步骤S4‑7，反之则执行步骤S4‑5和步骤S4‑6的变异操作；
步骤S4‑5X表示当前个体的执行位置向量，随机产生一个正整数∈4在[1,n(τ)]之间，∈4是变异点，那么
步骤S4‑6Y表示当前个体的执行顺序向量，随机产生两个在[1,n(τ)]的正整数∈5和∈6，∈5≠∈6，交换 和 产生一个新的执行顺序Y′；
步骤S4‑7种群选择阶段，将具有更优解的个体保存下来；此时已经有了m+m个个体，Ψ(X(τ),Y(τ))为适应性函数，分别计算每个个体的Ψ值，从大到小进行排序，选择前m个个体保存下来；
步骤S4‑8重复M次步骤(S4‑1)至(S4‑8)，M表示遗传算法的最大迭代次数；选择Ψ值排序最大的个体，即为最终的任务卸载方案。

4.一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1‑3任一所述的方法。

5.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1‑3任一所述的方法。