CN111800495A - 一种车辆雾计算中的任务卸载系统和方法 - Google Patents
一种车辆雾计算中的任务卸载系统和方法 Download PDFInfo
- Publication number
- CN111800495A CN111800495A CN202010619505.1A CN202010619505A CN111800495A CN 111800495 A CN111800495 A CN 111800495A CN 202010619505 A CN202010619505 A CN 202010619505A CN 111800495 A CN111800495 A CN 111800495A
- Authority
- CN
- China
- Prior art keywords
- user
- task
- base station
- data
- vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 15
- 239000000126 substance Substances 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 14
- 239000003595 mist Substances 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 230000006399 behavior Effects 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000013475 authorization Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000005065 mining Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/08—Network architectures or network communication protocols for network security for authentication of entities
- H04L63/0823—Network architectures or network communication protocols for network security for authentication of entities using certificates
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/32—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials
- H04L9/3247—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols including means for verifying the identity or authority of a user of the system or for message authentication, e.g. authorization, entity authentication, data integrity or data verification, non-repudiation, key authentication or verification of credentials involving digital signatures
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W12/00—Security arrangements; Authentication; Protecting privacy or anonymity
- H04W12/06—Authentication
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/50—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using hash chains, e.g. blockchains or hash trees
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种车辆雾计算中的任务卸载系统和方法,包括:基站、用户车辆、车辆雾服务器、威胁模型和时延模型;每个基站和车辆都拥有一个装有数字货币的钱包,并生成用于加密和解密的密钥对,其中基站的密钥对由三个组件共享。所有车辆都需要向注册授权组件注册以获得证书。其次,用户将请求发送给基站,基站将执行任务卸载的智能合约。然后用户将加密后的数据卸载到相应雾服务器,雾服务器执行计算任务并将计算结果反馈给用户和基站。基站会检查整个过程并进行相应奖惩。最后,基站会创建一个区块上传至区块链,其他基站验证其工作量证明及交易的合法性。一旦该区块被大多数的基站接受,它将被添加至区块链的末尾。
Description
技术领域
本发明涉及车辆雾计算技术领域,特别涉及一种车辆雾计算中基于区块链和机器学习的任务卸载系统和方法。
背景技术
新兴的车载应用,如自动驾驶、视频流和车载游戏等,将会产生大量时延敏感且计算密集型的任务。在传统的云计算架构中,由于连接不稳定和传输距离远等原因,将这些任务卸载到云服务器的时延很大。一种有效的方法是利用边缘计算在网络边缘提供计算服务。然而,为了满足高可靠、广覆盖的服务需求,必须在特定位置部署大量的边缘服务器,这难免会带来高额的部署成本和运营成本,并造成巨大的资源浪费。
车辆雾计算可以通过利用车辆的空闲资源有效地弥补边缘计算的缺陷。本发明将有计算服务需求的车辆视为用户车辆,可提供计算服务的车辆视为车辆雾服务器。用户车辆可以直接将任务卸载到附近的车辆雾服务器,这极大缩短了传输距离,缓解了网络拥塞,提高了资源利用率。然而,车辆雾计算的发展仍面临着诸多挑战。首先,任务卸载过程中存在大量的安全及隐私威胁。一方面,恶意的车辆会发起一系列攻击来最大化自身利益,如“双重索偿”攻击、“搭便车”攻击和赖账攻击。另一方面,恶意的攻击者会截获车辆间传输的数据进而获得一些敏感信息。其次,通常情况下,由于隐私顾虑、高移动性和信令开销等原因,车辆雾服务器侧的信息和信道状态信息难以被用户车辆获取,因此用户车辆需要在不完全信息的场景下做出任务卸载决策。此外,较长的排队时延、较短的连接时间和在车辆雾服务器间的频繁切换也造成了缓存溢出、任务数据丢失、数据重传和额外的时延开销等问题。因此,迫切需要设计一种任务卸载机制,在保证隐私性、公平性和安全性的同时,基于不完全信息实现低任务卸载时延、排队时延和切换成本。
现有技术中存在一些基于上置信界算法与匹配理论的任务卸载方案,但是都没有考虑任务卸载过程中的隐私、安全和公平性等问题,不能进行安全的任务卸载。
发明内容
本发明针对现有技术的缺陷,提供了一种车辆雾计算中的任务卸载系统和方法,解决了现有技术中存在的缺陷。
为了实现以上发明目的,本发明采取的技术方案如下:
一种车辆雾计算中基于区块链和机器学习的任务卸载系统,包括:基站、用户车辆、车辆雾服务器、威胁模型和时延模型;用户车辆以下简称用户,车辆雾服务器以下简称雾服务器;
基站为用户提供通信和计算服务,当基站过载时,用户可将任务直接卸载到附近的雾服务器上,同时基站需要给予双方一定补偿。作为共识节点,被授权的基站可对区块链进行维护。
基站包括:注册授权组件以下简称RAC,RAC负责车辆的注册和身份管理。计算组件以下简称CC,CC负责设计并执行智能合约,同时可参与“挖矿”。存储组件以下简称SC,SC用于整个区块链的交易存储。
威胁模型用于描述安全任务卸载过程中所面临安全威胁的类型。假设大部分车辆是诚实的,但仍存在部分恶意行为,假设恶意的雾服务器不会伪造错误的计算结果。基站的计算组件CC可能被黑客进行攻击导致无法公平地发放奖励。此外,攻击者会拦截数据进而窃取车辆的敏感信息。
时延模型用于描述智能任务卸载过程中所涉及到的时延类型及其计算方法。
进一步地,时延模型的计算步骤如下:
1)任务数据传输:将总时间划分为T个时隙,其集合为第t个时隙初,用户产生A(t)的任务数据量并将其存储在本地的缓存区。同时,U(t)的任务数据会被卸载到雾服务器上。第(t+1)个时隙需重传的数据为Y(t+1)。本地缓存区的数据积压队列为:
Q(t+1)=max{Q(t)+A(t)+Y(t+1)-U(t),0}
假设数据在正交子信道上传输,不存在信道间干扰。因此,吞吐量为:
第t个时隙数据卸载总量为:
3)结果反馈:假设结果大小与任务数据大小的比值在一个时隙内保持不变,为ωt。雾服务器sn需给用户发送ωtun,t的数据。第t个时隙初和结果反馈时用户与雾服务器sn间距离分别表示为dn,t和d'n,t。假设所有的车辆通信范围Cr相同。如果在结果反馈时雾服务器sn已经离开了用户的通信范围,即d'n,t>Cr,那么结果将不得不通过基站转发给用户,假设相应的时延为τBS。因此,结果反馈时延表示为:
在第(t+1)个时隙需重传的数据量为:
本发明还公开了一种车辆雾计算中基于区块链和机器学习的任务卸载方法,包括:首先,每个基站和车辆都拥有一个装有数字货币的钱包,并生成用于加密和解密的密钥对,其中基站的密钥对由三个组件共享。所有车辆都需要向RAC注册以获得证书。其次,用户将请求发送给基站,基站将执行任务卸载的智能合约。然后用户将加密后的数据卸载到相应雾服务器,雾服务器执行计算任务并将计算结果反馈给用户和基站。基站会检查整个过程并进行相应奖惩。最后,基站会创建一个区块上传至区块链,其他基站验证其工作量证明及交易的合法性。一旦该区块被大多数的基站接受,它将被添加至区块链的末尾。
进一步地,基于区块链和智能合约的安全任务卸载具体步骤如下:
A.系统设置
首先,基站会生成用于加密和数字签名验证的公钥和私钥用户和雾服务器sn分别生成各自密钥对和其中公钥用于加密,私钥用于解密。其次,用户和sn上传公钥给基站,RAC使用其私钥加密车辆配置文件信息,为其创建专属签名SigUV和Sign,并将车辆的公钥与其数字签名结合生成证书。
B.构建智能合约
利用智能合约来确保任务卸载的公平性和安全性,其设计与实现过程如下:首先,用户将所选雾服务器及时延要求发送给CC,CC接受请求后会拿出一定量数字货币作为押金。CC将用户和sn的签名发送给RAC。随后,RAC分别向用户和sn发送对方的证书,使车辆确认对方身份的有效性。本发明将任务数据分成多个数据段,作为Merkle哈希树的叶子节点。用户使用sn证书中的公钥加密数据并发送给sn,并将生成的根哈希值Root(m1)发送给CC。sn用其私钥解密数据并进行计算,将任务与计算结果结合生成根哈希值Root(m2)并反馈给CC。CC比较Root(m1)和Root(m2),如果Root(m1)=Root(m2)则表示雾服务器欺骗了CC,智能合约将会自动终止交易,并惩罚sn。否则,sn用公钥加密计算结果并发送给用户。用户解密数据后结合Root(m1)生成一个新的根哈希值Root(m3),并发送给CC。最后,CC对Root(m3)和Root(m2)进行比较,两者相等表明在时延要求内用户收到了计算结果,则车辆双方均获取一定奖励,否则表明sn完成了任务数据计算但用户存在恶意行为,需对其进行一定惩罚。sn在以上任务卸载过程中的所有失败和成功行为都会记录在区块内。
C.构建区块链
基站创建区块记录交易并上传至区块链。区块内包含时间戳、难度、前块哈希值和块体根哈希值。与比特币类似,已授权基站根据一个随机值和块头中的其他数据来计算区块的哈希值,当其小于目标阈值时,表明其完成了工作量证明。随后,基站将结果广播给区块链网络中的其他基站。在得到多数基站认可后,该区块会被加入区块链中,基站会收到相应的挖矿奖励。
进一步地,基于机器学习的智能任务卸载具体步骤如下:
A.问题归纳
用户的优化目标是在T个时隙内,满足排队时延和切换成本约束的同时最小化平均卸载时延。排队时延约束为:
任务在连续时隙内卸载到不同雾服务器,会产生切换成本。切换成本为:
其中,ψ(t)、C分别表示第t个时隙选择的雾服务器和一次切换的成本。切换成本约束为:
故任务卸载的优化问题为:
其中,C1表示用户各时隙最多选一个雾服务器,C2和C3分别表示排队时延和切换成本约束。
B.问题转换
分别构造了虚拟排队时延超额队列和虚拟切换成本超额队列,其队列积压为:
F(t+1)=max{F(t)+R(t+1)-τQ,0}
问题P1可转化为在每个时隙内最小化卸载时延、排队时延和切换成本加权和的子优化问题,即:
其中,
V、αF(t)和εZ(t)分别表示卸载时延、排队时延和切换成本的权重。
C.评估雾服务器可信度
用πn,t={μn,t,μ'n,t,ucn,t}表示雾服务器sn的可信度,μn,t、μ'n,t和ucn,t分别为信任度、不信任度和不确定度,μn,t+μ'n,t+ucn,t=1。ucn,t=1-cn,t,cn,t为连接概率。雾服务器sn的可信度定义为:
rn,t=μn,tcn,t
连接概率定义为雾服务器sn在τmax期间内均对用户可用的概率,估计为:
其中,p(τ|dn,t,τmax)为车头时距的概率密度函数。
雾服务器的可信度是时变的,对于可信度评估来说,最近的任务卸载事件相较于过去事件的影响更大,失败的任务卸载事件相较于成功事件的影响更大。本发明定义最近事件与过去事件的权重分别为ξ和1-ξ,其中ξ∈(0.5,1]。失败事件与成功事件的权重分别为和其中an和bn分别为成功和失败事件的加权,定义为:
D.任务卸载方案
智能任务卸载方案分为三个阶段:
在初始阶段,用户本地缓存区中存储的数据设置为初始队列积压。虚拟队列积压与选择指示符都初始化为零。
在选择阶段,至少选择一次对用户可用但未被选择过的雾服务器sn。否则,用户基于rn,t、和估计sn的其中,分别表示到时隙t为止,用户在时延要求内收到sn反馈结果的总次数和Φn,t的样本均值。则在第t个时隙,用户对sn的估计值为:
Γt=Γt-1+1
与现有技术相比,本发明的优点在于:
1.区块链和智能合约提出的安全任务卸载方案,避免恶意用户为了自身利益多次索要奖励。防止恶意的雾服务器不提供计算服务就索取奖励,能保护车辆的隐私;
2.在不完全信息场景下,实现智能的任务卸载。该方案具有排队时延感知、切换成本感知及可信度感知,可降低任务卸载时延、排队时延和切换成本。
附图说明
图1是本发明实施例基于区块链的车辆雾计算框架结构图。
图2为本发明实施例任务卸载时延性能示意图;
图3为本发明实施例排队时延性能示意图;
图4为本发明实施例切换成本性能示意图;
图5为本发明实施例平均任务卸载时延与切换次数间的权衡示意图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白,以下根据附图并列举实施例,对本发明做进一步详细说明。
(1)构建系统模型
A.基于区块链的车辆雾计算架构
如图1所示,本发明考虑的基于区块链的车辆雾计算框架由基站、用户车辆(用户)和车辆雾服务器(雾服务器)三部分组成。基站可以为用户提供通信和计算服务,但在基站过载时,用户可将任务直接卸载到附近的雾服务器上,同时基站需要给予双方一定补偿。作为共识节点,被授权的基站可对区块链进行维护。其注册授权组件(Register AuthorityComponent,RAC)负责车辆的注册和身份管理。计算组件(Computing Component,CC)负责设计并执行智能合约,同时可参与“挖矿”。整个区块链的交易存储在存储组件(StorageComponent,SC)中。
基于区块链的车辆雾计算实现如下:首先,每个基站和车辆都拥有一个装有数字货币的钱包,并生成用于加密和解密的密钥对,其中基站的密钥对由三个组件共享。所有车辆都需要向RAC注册以获得证书。其次,用户将请求发送给基站,基站将执行任务卸载的智能合约。然后用户将加密后的数据卸载到相应雾服务器,雾服务器执行计算任务并将计算结果反馈给用户和基站。基站会检查整个过程并进行相应奖惩。最后,基站会创建一个区块上传至区块链,其他基站验证其工作量证明及交易的合法性。一旦该区块被大多数的基站接受,它将被添加至区块链的末尾。
B.威胁模型
本发明假设大部分车辆是诚实的,但仍存在部分恶意行为,如:恶意用户为了自身利益多次索要奖励,即“双重索偿”攻击。并且,任务完成后还可发起抵赖攻击,拒绝承认雾服务器的贡献,使其得不到应有的奖励。恶意的雾服务器不提供计算服务就索取奖励,即“搭便车”攻击。本发明假设恶意的雾服务器不会伪造错误的计算结果。基站的计算组件可能被黑客进行攻击导致无法公平地发放奖励。此外,攻击者会拦截数据进而窃取车辆的敏感信息。
C.时延模型
1)任务数据传输:将总时间划分为T个时隙,其集合为第t个时隙初,用户产生A(t)的任务数据量并将其存储在本地的缓存区。同时,U(t)的任务数据会被卸载到雾服务器上。第(t+1)个时隙需重传的数据为Y(t+1)。本地缓存区的数据积压队列为:
Q(t+1)=max{Q(t)+A(t)+Y(t+1)-U(t),0}
本发明假设数据在正交子信道上传输,不存在信道间干扰。因此,吞吐量为:
第t个时隙数据卸载总量为:
3)结果反馈:假设结果大小与任务数据大小的比值在一个时隙内保持不变,为ωt。雾服务器sn需给用户发送ωtun,t的数据。第t个时隙初和结果反馈时用户与雾服务器sn间距离分别表示为dn,t和d'n,t。假设所有的车辆通信范围Cr相同。如果在结果反馈时雾服务器sn已经离开了用户的通信范围,即d'n,t>Cr,那么结果将不得不通过基站转发给用户,假设相应的时延为τBS。因此,结果反馈时延表示为:
在第(t+1)个时隙需重传的数据量为:
(2)基于区块链和智能合约的安全任务卸载
A.系统设置
首先,基站会生成用于加密和数字签名验证的公钥和私钥用户和雾服务器sn分别生成各自密钥对和其中公钥用于加密,私钥用于解密。其次,用户和sn上传公钥给基站,RAC使用其私钥加密车辆配置文件信息,为其创建专属签名SigUV和Sign,并将车辆的公钥与其数字签名结合生成证书。
B.构建智能合约
利用智能合约来确保任务卸载的公平性和安全性,其设计与实现过程如下:首先,用户将所选雾服务器及时延要求发送给CC,CC接受请求后会拿出一定量数字货币作为押金。CC将用户和sn的签名发送给RAC。随后,RAC分别向用户和sn发送对方的证书,使车辆确认对方身份的有效性。本发明将任务数据分成多个数据段,作为Merkle哈希树的叶子节点。用户使用sn证书中的公钥加密数据并发送给sn,并将生成的根哈希值Root(m1)发送给CC。sn用其私钥解密数据并进行计算,将任务与计算结果结合生成根哈希值Root(m2)并反馈给CC。CC比较Root(m1)和Root(m2),如果Root(m1)=Root(m2)则表示雾服务器欺骗了CC,智能合约将会自动终止交易,并惩罚sn。否则,sn用公钥加密计算结果并发送给用户。用户解密数据后结合Root(m1)生成一个新的根哈希值Root(m3),并发送给CC。最后,CC对Root(m3)和Root(m2)进行比较,两者相等表明在时延要求内用户收到了计算结果,则车辆双方均获取一定奖励,否则表明sn完成了任务数据计算但用户存在恶意行为,需对其进行一定惩罚。sn在以上任务卸载过程中的所有失败和成功行为都会记录在区块内。
C.构建区块链
基站创建区块记录交易并上传至区块链。区块内包含时间戳、难度、前块哈希值和块体根哈希值。与比特币类似,已授权基站根据一个随机值和块头中的其他数据来计算区块的哈希值,当其小于目标阈值时,表明其完成了工作量证明。随后,基站将结果广播给区块链网络中的其他基站。在得到多数基站认可后,该区块会被加入区块链中,基站会收到相应的挖矿奖励。
(3)基于机器学习的智能任务卸载
A.问题归纳
用户的优化目标是在T个时隙内,满足排队时延和切换成本约束的同时最小化平均卸载时延。排队时延约束为:
任务在连续时隙内卸载到不同雾服务器,会产生切换成本。切换成本为:
其中,ψ(t)、C分别表示第t个时隙选择的雾服务器和一次切换的成本。切换成本约束为:
故任务卸载的优化问题为:
其中,C1表示用户各时隙最多选一个雾服务器,C2和C3分别表示排队时延和切换成本约束。
B.问题转换
本发明分别构造了虚拟排队时延超额队列和虚拟切换成本超额队列,其队列积压为:
F(t+1)=max{F(t)+R(t+1)-τQ,0}
问题P1可转化为在每个时隙内最小化卸载时延、排队时延和切换成本加权和的子优化问题,即:
其中,
V、αF(t)和εZ(t)分别表示卸载时延、排队时延和切换成本的权重。
C.评估雾服务器可信度
用πn,t={μn,t,μ'n,t,ucn,t}表示雾服务器sn的可信度,μn,t、μ'n,t和ucn,t分别为信任度、不信任度和不确定度,μn,t+μ'n,t+ucn,t=1。ucn,t=1-cn,t,cn,t为连接概率。雾服务器sn的可信度定义为:
rn,t=μn,tcn,t
连接概率定义为雾服务器sn在τmax期间内均对用户可用的概率,估计为:
其中,p(τ|dn,t,τmax)为车头时距的概率密度函数。
雾服务器的可信度是时变的,对于可信度评估来说,最近的任务卸载事件相较于过去事件的影响更大,失败的任务卸载事件相较于成功事件的影响更大。本发明定义最近事件与过去事件的权重分别为ξ和1-ξ,其中ξ∈(0.5,1]。失败事件与成功事件的权重分别为和其中an和bn分别为成功和失败事件的加权,定义为:
D.任务卸载方案
智能任务卸载方案分为三个阶段:
在初始阶段,用户本地缓存区中存储的数据设置为初始队列积压。虚拟队列积压与选择指示符都初始化为零。
在选择阶段,至少选择一次对用户可用但未被选择过的雾服务器sn。否则,用户基于rn,t、和估计sn的其中,分别表示到时隙t为止,用户在时延要求内收到sn反馈结果的总次数和Φn,t的样本均值。则在第t个时隙,用户对sn的估计值为:
Γt=Γt-1+1
本发明在T=1000时隙,用户和雾服务器的数量分别为1和5的场景下进行了仿真实验,并设置了两种算法进行比较。第一种是能量感知移动管理(Energy-aware MobilityManagement,EMM)算法,该算法将长期能耗约束转换为排队时延约束和切换成本约束。第二种是休眠上置信界(Sleeping UCB)算法,并将设备的活跃概率替换为连接概率。仿真参数设置如下表所示:
图2显示了存在一辆恶意雾服务器时,平均任务卸载时延随时隙的变化情况。与Sleeping UCB和EMM相比,由于本发明考虑了可信度感知,使得平均任务卸载时延显著降低。
图3和图4分别显示了平均排队时延和切换成本的超额值随时隙的变化情况。与Sleeping UCB和EMM相比,由于本发明综合考虑了排队时延感知和切换成本感知,能够降低排队时延和切换成本超额值。
图5显示了权重∈对平均任务卸载时延与切换次数的影响,随着∈的增加,切换次数减少,平均任务卸载时延增加。其原因是∈越大表明用户越关注切换成本,越不愿意切换雾服务器。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的实施方法,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (5)
1.一种车辆雾计算中基于区块链和机器学习的任务卸载系统,其特征在于,包括:基站、用户车辆、车辆雾服务器、威胁模型和时延模型;用户车辆以下简称用户,车辆雾服务器以下简称雾服务器;
基站为用户提供通信和计算服务,当基站过载时,用户可将任务直接卸载到附近的雾服务器上,同时基站需要给予双方一定补偿;作为共识节点,被授权的基站可对区块链进行维护;
基站包括:注册授权组件以下简称RAC,RAC负责车辆的注册和身份管理;计算组件以下简称CC,CC负责设计并执行智能合约,同时可参与“挖矿”;存储组件以下简称SC,SC用于整个区块链的交易存储;
威胁模型用于描述安全任务卸载过程中所面临安全威胁的类型;假设大部分车辆是诚实的,但仍存在部分恶意行为,假设恶意的雾服务器不会伪造错误的计算结果;基站的计算组件CC可能被黑客进行攻击导致无法公平地发放奖励;此外,攻击者会拦截数据进而窃取车辆的敏感信息;
时延模型用于描述智能任务卸载过程中所涉及到的时延类型及其计算方法。
2.根据权利要求1所述的一种车辆雾计算中基于区块链和机器学习的任务卸载系统的任务卸载方法,其特征在于:首先,每个基站和车辆都拥有一个装有数字货币的钱包,并生成用于加密和解密的密钥对,其中基站的密钥对由三个组件共享;所有车辆都需要向RAC注册以获得证书;其次,用户将请求发送给基站,基站将执行任务卸载的智能合约;然后用户将加密后的数据卸载到相应雾服务器,雾服务器执行计算任务并将计算结果反馈给用户和基站;基站会检查整个过程并进行相应奖惩;最后,基站会创建一个区块上传至区块链,其他基站验证其工作量证明及交易的合法性;一旦该区块被大多数的基站接受,它将被添加至区块链的末尾。
3.根据权利要求2所述的任务卸载方法,其特征在于:时延模型的计算步骤如下:
1)任务数据传输:将总时间划分为T个时隙,其集合为第t个时隙初,用户产生A(t)的任务数据量并将其存储在本地的缓存区;同时,U(t)的任务数据会被卸载到雾服务器上;第(t+1)个时隙需重传的数据为Y(t+1);本地缓存区的数据积压队列为:
Q(t+1)=max{Q(t)+A(t)+Y(t+1)-U(t),0}
假设数据在正交子信道上传输,不存在信道间干扰;因此,吞吐量为:
第t个时隙数据卸载总量为:
3)结果反馈:假设结果大小与任务数据大小的比值在一个时隙内保持不变,为ωt;雾服务器sn需给用户发送ωtun,t的数据;第t个时隙初和结果反馈时用户与雾服务器sn间距离分别表示为dn,t和d′n,t;假设所有的车辆通信范围Cr相同;如果在结果反馈时雾服务器sn已经离开了用户的通信范围,即d′n,t>Cr,那么结果将不得不通过基站转发给用户,假设相应的时延为τBS;因此,结果反馈时延表示为:
在第(t+1)个时隙需重传的数据量为:
4.根据权利要求2所述的任务卸载方法,其特征在于:基于区块链和智能合约的安全任务卸载具体步骤如下:
A.系统设置
首先,基站会生成用于加密和数字签名验证的公钥和私钥用户和雾服务器sn分别生成各自密钥对和其中公钥用于加密,私钥用于解密;其次,用户和sn上传公钥给基站,RAC使用其私钥加密车辆配置文件信息,为其创建专属签名SigUV和Sign,并将车辆的公钥与其数字签名结合生成证书;
B.构建智能合约
利用智能合约来确保任务卸载的公平性和安全性,其设计与实现过程如下:首先,用户将所选雾服务器及时延要求发送给CC,CC接受请求后会拿出一定量数字货币作为押金;CC将用户和sn的签名发送给RAC;随后,RAC分别向用户和sn发送对方的证书,使车辆确认对方身份的有效性;将任务数据分成多个数据段,作为Merkle哈希树的叶子节点;用户使用sn证书中的公钥加密数据并发送给sn,并将生成的根哈希值Root(m1)发送给CC;sn用其私钥解密数据并进行计算,将任务与计算结果结合生成根哈希值Root(m2)并反馈给CC;CC比较Root(m1)和Root(m2),如果Root(m1)=Root(m2)则表示雾服务器欺骗了CC,智能合约将会自动终止交易,并惩罚sn;否则,sn用公钥加密计算结果并发送给用户;用户解密数据后结合Root(m1)生成一个新的根哈希值Root(m3),并发送给CC;最后,CC对Root(m3)和Root(m2)进行比较,两者相等表明在时延要求内用户收到了计算结果,则车辆双方均获取一定奖励,否则表明sn完成了任务数据计算但用户存在恶意行为,需对其进行一定惩罚;sn在以上任务卸载过程中的所有失败和成功行为都会记录在区块内;
C.构建区块链
基站创建区块记录交易并上传至区块链;区块内包含时间戳、难度、前块哈希值和块体根哈希值;与比特币类似,已授权基站根据一个随机值和块头中的其他数据来计算区块的哈希值,当其小于目标阈值时,表明其完成了工作量证明;随后,基站将结果广播给区块链网络中的其他基站;在得到多数基站认可后,该区块会被加入区块链中,基站会收到相应的挖矿奖励。
5.根据权利要求2所述的任务卸载方法,其特征在于:基于机器学习的智能任务卸载具体步骤如下:
A.问题归纳
用户的优化目标是在T个时隙内,满足排队时延和切换成本约束的同时最小化平均卸载时延;排队时延约束为:
任务在连续时隙内卸载到不同雾服务器,会产生切换成本;切换成本为:
其中,ψ(t)、C分别表示第t个时隙选择的雾服务器和一次切换的成本;切换成本约束为:
故任务卸载的优化问题为:
其中,C1表示用户各时隙最多选一个雾服务器,C2和C3分别表示排队时延和切换成本约束;
B.问题转换
分别构造了虚拟排队时延超额队列和虚拟切换成本超额队列,其队列积压为:
F(t+1)=max{F(t)+R(t+1)-τQ,0}
问题P1可转化为在每个时隙内最小化卸载时延、排队时延和切换成本加权和的子优化问题,即:
其中,
V、αF(t)和εZ(t)分别表示卸载时延、排队时延和切换成本的权重;
C.评估雾服务器可信度
用πn,t={μn,t,μ′n,t,ucn,t}表示雾服务器sn的可信度,μn,t、μ′n,t和ucn,t分别为信任度、不信任度和不确定度,μn,t+μ′n,t+ucn,t=1;ucn,t=1-cn,t,cn,t为连接概率;雾服务器sn的可信度定义为:
rn,t=μn,tcn,t
连接概率定义为雾服务器sn在τmax期间内均对用户可用的概率,估计为:
其中,p(τ|dn,t,τmax)为车头时距的概率密度函数;
雾服务器的可信度是时变的,对于可信度评估来说,最近的任务卸载事件相较于过去事件的影响更大,失败的任务卸载事件相较于成功事件的影响更大;定义最近事件与过去事件的权重分别为ξ和1-ξ,其中ξ∈(0.5,1];失败事件与成功事件的权重分别为和其中an和bn分别为成功和失败事件的加权,定义为:
D.任务卸载方案
智能任务卸载方案分为三个阶段:
在初始阶段,用户本地缓存区中存储的数据设置为初始队列积压;虚拟队列积压与选择指示符都初始化为零;
在选择阶段,至少选择一次对用户可用但未被选择过的雾服务器sn;否则,用户基于rn,t、和估计sn的其中,分别表示到时隙t为止,用户在时延要求内收到sn反馈结果的总次数和Φn,t的样本均值;则在第t个时隙,用户对sn的估计值为:
Γt=Γt-1+1
在选择和学习之间重复迭代,直至t>T。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010619505.1A CN111800495B (zh) | 2020-06-30 | 2020-06-30 | 一种车辆雾计算中的任务卸载方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010619505.1A CN111800495B (zh) | 2020-06-30 | 2020-06-30 | 一种车辆雾计算中的任务卸载方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111800495A true CN111800495A (zh) | 2020-10-20 |
CN111800495B CN111800495B (zh) | 2021-05-11 |
Family
ID=72809772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010619505.1A Expired - Fee Related CN111800495B (zh) | 2020-06-30 | 2020-06-30 | 一种车辆雾计算中的任务卸载方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111800495B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112584351A (zh) * | 2020-12-08 | 2021-03-30 | 重庆邮电大学 | 一种面向车联雾计算的“通信-计算”一体化资源分配方法 |
CN112714416A (zh) * | 2020-11-30 | 2021-04-27 | 中南大学 | 一种基于信任的任务卸载方法 |
CN112822234A (zh) * | 2020-12-29 | 2021-05-18 | 华北电力大学 | 一种车联网中基于深度强化学习的任务卸载方法 |
CN113239325A (zh) * | 2021-05-13 | 2021-08-10 | 河南中州智慧水利研究院有限公司 | 基于区块链和雾运算的水利数据运算系统和方法 |
CN113282348A (zh) * | 2021-05-26 | 2021-08-20 | 浙江理工大学 | 一种基于区块链的边缘计算任务卸载系统及方法 |
CN113543073A (zh) * | 2021-06-07 | 2021-10-22 | 中国联合网络通信集团有限公司 | 区块校验方法和区块链系统 |
CN114501355A (zh) * | 2022-03-16 | 2022-05-13 | 华北电力大学 | 一种适应园区电碳信息转换的保密容量保障系统及方法 |
CN114866548A (zh) * | 2022-04-26 | 2022-08-05 | 中南大学 | 一种基于移动雾计算的任务卸载方法 |
CN115334551A (zh) * | 2022-10-17 | 2022-11-11 | 湖北工业大学 | 基于契约理论的任务卸载与资源分配优化方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109005057A (zh) * | 2018-07-19 | 2018-12-14 | 华北电力大学 | 一种基于契约匹配理论的计算资源分配与任务卸载方案 |
CN109166036A (zh) * | 2018-07-19 | 2019-01-08 | 华北电力大学 | 一种基于区块链和契约理论的v2g能源交易机制 |
US20190047581A1 (en) * | 2017-08-14 | 2019-02-14 | GM Global Technology Operations LLC | Method and apparatus for supporting mission-critical applications via computational cloud offloading |
CN109905860A (zh) * | 2019-02-28 | 2019-06-18 | 华北电力大学 | 一种基于车辆雾计算的服务器招募及任务卸载优化方案 |
CN109951873A (zh) * | 2019-02-28 | 2019-06-28 | 华北电力大学 | 一种物联网雾计算中信息不对称不确定下的任务卸载机制 |
CN109993847A (zh) * | 2019-04-15 | 2019-07-09 | 内蒙古大学 | 一种基于区块链的收集交通事故信息的架构及工作方法 |
CN110856259A (zh) * | 2019-11-12 | 2020-02-28 | 郑州轻工业学院 | 移动边缘计算环境中自适应数据块大小的资源分配和卸载方法 |
CN110928678A (zh) * | 2020-01-20 | 2020-03-27 | 西北工业大学 | 一种基于移动边缘计算的区块链系统资源分配方法 |
CN111010434A (zh) * | 2019-12-11 | 2020-04-14 | 重庆工程职业技术学院 | 一种基于网络时延和资源管理的优化任务卸载方法 |
US20200137142A1 (en) * | 2018-10-30 | 2020-04-30 | Toyota Motor North America, Inc. | Vehicle data offloading systems and methods |
CN111124531A (zh) * | 2019-11-25 | 2020-05-08 | 哈尔滨工业大学 | 一种车辆雾计算中基于能耗和延迟权衡的计算任务动态卸载方法 |
CN111242778A (zh) * | 2019-12-31 | 2020-06-05 | 布比(北京)网络技术有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
-
2020
- 2020-06-30 CN CN202010619505.1A patent/CN111800495B/zh not_active Expired - Fee Related
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190047581A1 (en) * | 2017-08-14 | 2019-02-14 | GM Global Technology Operations LLC | Method and apparatus for supporting mission-critical applications via computational cloud offloading |
CN109005057A (zh) * | 2018-07-19 | 2018-12-14 | 华北电力大学 | 一种基于契约匹配理论的计算资源分配与任务卸载方案 |
CN109166036A (zh) * | 2018-07-19 | 2019-01-08 | 华北电力大学 | 一种基于区块链和契约理论的v2g能源交易机制 |
US20200137142A1 (en) * | 2018-10-30 | 2020-04-30 | Toyota Motor North America, Inc. | Vehicle data offloading systems and methods |
CN109905860A (zh) * | 2019-02-28 | 2019-06-18 | 华北电力大学 | 一种基于车辆雾计算的服务器招募及任务卸载优化方案 |
CN109951873A (zh) * | 2019-02-28 | 2019-06-28 | 华北电力大学 | 一种物联网雾计算中信息不对称不确定下的任务卸载机制 |
CN109993847A (zh) * | 2019-04-15 | 2019-07-09 | 内蒙古大学 | 一种基于区块链的收集交通事故信息的架构及工作方法 |
CN110856259A (zh) * | 2019-11-12 | 2020-02-28 | 郑州轻工业学院 | 移动边缘计算环境中自适应数据块大小的资源分配和卸载方法 |
CN111124531A (zh) * | 2019-11-25 | 2020-05-08 | 哈尔滨工业大学 | 一种车辆雾计算中基于能耗和延迟权衡的计算任务动态卸载方法 |
CN111010434A (zh) * | 2019-12-11 | 2020-04-14 | 重庆工程职业技术学院 | 一种基于网络时延和资源管理的优化任务卸载方法 |
CN111242778A (zh) * | 2019-12-31 | 2020-06-05 | 布比(北京)网络技术有限公司 | 数据处理方法、装置、计算机设备和存储介质 |
CN110928678A (zh) * | 2020-01-20 | 2020-03-27 | 西北工业大学 | 一种基于移动边缘计算的区块链系统资源分配方法 |
Non-Patent Citations (3)
Title |
---|
HAIJUN LIAO .ET AL: "Task Offloading for Vehicular Fog Computing under Information Uncertainty: A Matching-Learning Approach", 《IEEE》 * |
JIAWEN KANG .ET AL: "Blockchain for Secure and Efficient Data Sharing in Vehicular Edge Computing and Networks", 《IEEE INTERNET OF THINGS JOURNAL》 * |
ZHENYU ZHOU .ET AL: "Reliable Task Offloading for Vehicular Fog Computing Under Information Asymmetry and Information Uncertainty", 《IEEE TRANSACTIONS ON VEHICULAR TECHNOLOGY》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112714416A (zh) * | 2020-11-30 | 2021-04-27 | 中南大学 | 一种基于信任的任务卸载方法 |
CN112714416B (zh) * | 2020-11-30 | 2021-12-17 | 中南大学 | 一种基于信任的任务卸载方法 |
CN112584351A (zh) * | 2020-12-08 | 2021-03-30 | 重庆邮电大学 | 一种面向车联雾计算的“通信-计算”一体化资源分配方法 |
CN112822234A (zh) * | 2020-12-29 | 2021-05-18 | 华北电力大学 | 一种车联网中基于深度强化学习的任务卸载方法 |
CN113239325A (zh) * | 2021-05-13 | 2021-08-10 | 河南中州智慧水利研究院有限公司 | 基于区块链和雾运算的水利数据运算系统和方法 |
CN113282348A (zh) * | 2021-05-26 | 2021-08-20 | 浙江理工大学 | 一种基于区块链的边缘计算任务卸载系统及方法 |
CN113543073A (zh) * | 2021-06-07 | 2021-10-22 | 中国联合网络通信集团有限公司 | 区块校验方法和区块链系统 |
CN113543073B (zh) * | 2021-06-07 | 2023-05-09 | 中国联合网络通信集团有限公司 | 区块校验方法和区块链系统 |
CN114501355A (zh) * | 2022-03-16 | 2022-05-13 | 华北电力大学 | 一种适应园区电碳信息转换的保密容量保障系统及方法 |
CN114866548A (zh) * | 2022-04-26 | 2022-08-05 | 中南大学 | 一种基于移动雾计算的任务卸载方法 |
CN115334551A (zh) * | 2022-10-17 | 2022-11-11 | 湖北工业大学 | 基于契约理论的任务卸载与资源分配优化方法及系统 |
CN115334551B (zh) * | 2022-10-17 | 2023-03-24 | 湖北工业大学 | 基于契约理论的任务卸载与资源分配优化方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111800495B (zh) | 2021-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111800495B (zh) | 一种车辆雾计算中的任务卸载方法 | |
Liao et al. | Blockchain and learning-based secure and intelligent task offloading for vehicular fog computing | |
US11641286B2 (en) | Sybil-resistant identity generation | |
US9614868B2 (en) | System and method for mitigation of denial of service attacks in networked computing systems | |
CN111404664B (zh) | 基于秘密共享和多个移动设备的量子保密通信身份认证系统和方法 | |
CN112787796B (zh) | 一种边缘计算中检测虚假数据注入的聚合方法及装置 | |
CN116957064A (zh) | 基于知识蒸馏的联邦学习隐私保护模型训练方法及系统 | |
CN111106928A (zh) | 一种基于国密算法的ntp协议增强信息处理系统及方法 | |
CN114143343A (zh) | 雾计算环境中远程访问控制系统、控制方法、终端及介质 | |
CN109905863B (zh) | 基于区块链存储的分布式协作通信的中继接入方法 | |
Haddad | Blockchain-enabled anonymous mutual authentication and location privacy-preserving scheme for 5G networks | |
CN111245611B (zh) | 基于秘密共享和可穿戴设备的抗量子计算身份认证方法及系统 | |
Dong et al. | Providing DoS resistance for signature-based broadcast authentication in sensor networks | |
Chuchaisri et al. | Fast response PKC-based broadcast authentication in wireless sensor networks | |
Koh et al. | Rate limiting client puzzle schemes for denial-of-service mitigation | |
CN115604765A (zh) | 计算卸载优化方法和装置、电子设备和存储介质 | |
Aarella et al. | PUF-based Authentication Scheme for Edge Data Centers in Collaborative Edge Computing | |
Sridevi et al. | A curve based cryptography for wireless security in MANET | |
CN112615721B (zh) | 一种基于区块链的空间信息网络的访问接入认证以及权限管理控制流程方法 | |
CN116964572A (zh) | 基于区块链的联邦学习设备、方法和系统 | |
Li et al. | Blockchain-based public auditing with deep reinforcement learning for cloud storage | |
Hegde et al. | Distributed integrity and non-repudiation scheme in the dynamic vehicular cloud environment | |
CN114584975A (zh) | 一种基于sdn的抗量子卫星网络接入认证方法 | |
Alkhonaini et al. | Migrating data between physical server and cloud: improving accuracy and data integrity | |
CN114389859B (zh) | 面向区块链中以太坊节点女巫攻击的检测系统及检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210511 |