CN111800495B - 一种车辆雾计算中的任务卸载方法 - Google Patents

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

一种车辆雾计算中的任务卸载方法

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方法，其特征在于，所述任务卸载方法是在任务卸载系统的基础上实现的；

任务卸载系统包括：基站、用户车辆、车辆雾服务器；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；

所述任务卸载方法包括：威胁模型和时延模型；

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；

所述任务卸载方法的流程为：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；

所述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T＝{1,2,…T}；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}

只有在用户通信范围内的雾服务器才是可用的；假设有N个可用的雾服务器，其集合表示为

任务卸载情况用一个二值变量x_n,t表示，如果第t 个时隙选择了雾服务器s_n，则x_n,t＝1，否则，x_n,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：

其中，τ_tra、B₀、

H_0,n,t和δ²分别为传输时间、上行信道带宽、传输功率、信道增益和噪声功率；

第t个时隙数据卸载总量为：

2)任务数据计算：设单位任务数据的计算密度为β∈(0,β_max]CPU周期/比特， s_n完成数据计算共需u_n,tβCPU周期；若s_n在第t个时隙分配

的计算资源，则计算时延为：

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ω_t；雾服务器s_n需给用户发送ω_tu_n,t的数据；第t个时隙初和结果反馈时用户与雾服务器s_n间距离分别表示为d_n,t和d'_n,t；假设所有的车辆通信范围C_r相同；如果在结果反馈时雾服务器s_n已经离开了用户的通信范围，即d'_n,t＞C_r，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τ_BS；因此，结果反馈时延表示为：

其中，B_n、

和H_n,0,t分别表示下行信道带宽、传输功率和信道增益；

4)卸载时延：如果不能在特定时延要求τ_max内将结果反馈给用户，即

意味着任务卸载失败；任务卸载总时延为：

在第(t+1)个时隙需重传的数据量为：

其中，II为指示函数，事件x为真时II{x}＝1，否则II{x}＝0；

所述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s_n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s_n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Sig_UV和Sig_n，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s_n的签名发送给RAC；随后，RAC分别向用户和s_n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s_n证书中的公钥加密数据并发送给s_n，并将生成的根哈希值Root(m₁)发送给CC；s_n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s_n；否则，s_n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s_n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；s_n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；

所述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：

其中，

表示时间平均任务到达率，τ^Q为排队时延阈值；

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：

其中，

为切换成本阈值；

故任务卸载的优化问题为：

P1∶

s.t.C₁∶

C₂∶

C₃∶

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)-τ^Q,0}

其中，

F(1)＝Z(1)＝0，F(t)和Z(t)分别表示当前排队时延和切换成本与相应需求的偏差；

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：

P2∶

s.t.C₁∶

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π_n,t＝{μ_n,t,μ'_n,t,uc_n,t}表示雾服务器s_n的可信度，μ_n,t、μ'_n,t和uc_n,t分别为信任度、不信任度和不确定度，μ_n,t+μ'_n,t+uc_n,t＝1；uc_n,t＝1-c_n,t，c_n,t为连接概率；雾服务器s_n的可信度定义为：

r_n,t＝μ_n,tc_n,t

连接概率定义为雾服务器s_n在τ_max期间内均对用户可用的概率，估计为：

其中，p(τ|d_n,t,τ_max)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

a_n和b_n分别为成功和失败事件的加权，定义为：

其中

和

分别表示区块链中最近成功事件和失败事件的次数，

和

分别表示区块链中过去成功事件和失败事件的次数；信任度与不信任度为：

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s_n；否则，用户基于r_n,t、

和

估计s_n的

其中，

分别表示到时隙t为止，用户在时延要求内收到s_n反馈结果的总次数和Φ_n,t的样本均值；则在第t个时隙，用户对s_n的估计值为：

其中，第一项表明雾服务器的可信度越高，其估计值越小，

为置信界限，λ为平衡探索与利用的权重，Γ_t-1为用户从所有雾服务器成功收到结果反馈的总次数；用户选择估计值最小的雾服务器ψ(t)进行任务卸载；

在学习阶段，用户不断更新Q(t+1)，并计算Φ_n,t；若用户在时延要求内收到s_n反馈的计算结果，则更新

和Γ_t，即：

Γ_t＝Γ_t-1+1

否则，

和Γ_t保持不变；最后，用户分别更新F(t+1)、Z(t+1)和{r_n,t+1}；在选择和学习之间重复迭代，直至t＞T。

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T＝{1,2,…T}。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}

只有在用户通信范围内的雾服务器才是可用的。假设有N个可用的雾服务器，其集合表示为

任务卸载情况用一个二值变量x_n,t表示，如果第t 个时隙选择了雾服务器s_n，则x_n,t＝1，否则，x_n,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：

其中，τ_tra、B₀、

H_0,n,t和δ²分别为传输时间、上行信道带宽、传输功率、信道增益和噪声功率。

第t个时隙数据卸载总量为：

2)任务数据计算：设单位任务数据的计算密度为β∈(0,β_max]CPU周期/比特， s_n完成数据计算共需u_n,tβCPU周期。若s_n在第t个时隙分配

的计算资源，则计算时延为：

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ω_t。雾服务器s_n需给用户发送ω_tu_n,t的数据。第t个时隙初和结果反馈时用户与雾服务器s_n间距离分别表示为d_n,t和d'_n,t。假设所有的车辆通信范围C_r相同。如果在结果反馈时雾服务器s_n已经离开了用户的通信范围，即d'_n,t＞C_r，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τ_BS。因此，结果反馈时延表示为：

其中，B_n、

和H_n,0,t分别表示下行信道带宽、传输功率和信道增益。

4)卸载时延：如果不能在特定时延要求τ_max内将结果反馈给用户，即

意味着任务卸载失败。任务卸载总时延为：

在第(t+1)个时隙需重传的数据量为：

其中，II为指示函数，事件x为真时II{x}＝1，否则II{x}＝0；

(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s_n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s_n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Sig_UV和Sig_n，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s_n的签名发送给RAC。随后，RAC分别向用户和s_n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s_n证书中的公钥加密数据并发送给s_n，并将生成的根哈希值Root(m₁)发送给CC。s_n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s_n。否则，s_n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s_n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。s_n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：

其中，

表示时间平均任务到达率，τ^Q为排队时延阈值。

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：

其中，

为切换成本阈值。

故任务卸载的优化问题为：

P1∶

s.t.C₁∶

C₂∶

C₃∶

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)-τ^Q，0}

其中，

F(1)＝Z(1)＝0，F(t)和Z(t)分别表示当前排队时延和切换成本与相应需求的偏差。

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：

P2∶

s.t.C₁∶

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π_n,t＝{μ_n,t,μ'_n,t,uc_n,t}表示雾服务器s_n的可信度，μ_n,t、μ'_n,t和uc_n,t分别为信任度、不信任度和不确定度，μ_n,t+μ'_n,t+uc_n,t＝1。uc_n,t＝1-c_n,t，c_n,t为连接概率。雾服务器s_n的可信度定义为：

r_n，t＝μ_n，tc_n，t

连接概率定义为雾服务器s_n在τ_max期间内均对用户可用的概率，估计为：

其中，p(τ|d_n,t,τ_max)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

a_n和b_n分别为成功和失败事件的加权，定义为：

其中

和

分别表示区块链中最近成功事件和失败事件的次数，

和

分别表示区块链中过去成功事件和失败事件的次数。信任度与不信任度为：

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s_n。否则，用户基于r_n,t、

和

估计s_n的

其中，

分别表示到时隙t为止，用户在时延要求内收到s_n反馈结果的总次数和Φ_n,t的样本均值。则在第t个时隙，用户对s_n的估计值为：

其中，第一项表明雾服务器的可信度越高，其估计值越小，

为置信界限，λ为平衡探索与利用的权重，Γ_t-1为用户从所有雾服务器成功收到结果反馈的总次数。用户选择估计值最小的雾服务器ψ(t)进行任务卸载。

在学习阶段，用户不断更新Q(t+1)，并计算Φ_n,t。若用户在时延要求内收到s_n反馈的计算结果，则更新

和Γ_t，即：

Γ_t＝Γ_t-1+1

否则，

和Γ_t保持不变。最后，用户分别更新F(t+1)、Z(t+1)和{r_n,t+1}。在选择和学习之间重复迭代，直至t＞T。

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 (1)

1.一种车辆雾计算中基于区块链和机器学习的任务卸载方法，其特征在于，所述任务卸载方法是在任务卸载系统的基础上实现的；

任务卸载系统包括：基站、用户车辆、车辆雾服务器；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；

所述任务卸载方法包括：威胁模型和时延模型；

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；

所述任务卸载方法的流程为：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；

所述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T＝{1,2,…T}；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}

只有在用户通信范围内的雾服务器才是可用的；假设有N个可用的雾服务器，其集合表示为

任务卸载情况用一个二值变量x_n,t表示，如果第t个时隙选择了雾服务器s_n，则x_n,t＝1，否则，x_n,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：

其中，τ_tra、B₀、

H_0,n,t和δ²分别为传输时间、上行信道带宽、传输功率、信道增益和噪声功率；

第t个时隙数据卸载总量为：

2)任务数据计算：设单位任务数据的计算密度为β∈(0,β_max]CPU周期/比特，s_n完成数据计算共需u_n,tβCPU周期；若s_n在第t个时隙分配

的计算资源，则计算时延为：

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ω_t；雾服务器s_n需给用户发送ω_tu_n,t的数据；第t个时隙初和结果反馈时用户与雾服务器s_n间距离分别表示为d_n,t和d'_n,t；假设所有的车辆通信范围C_r相同；如果在结果反馈时雾服务器s_n已经离开了用户的通信范围，即d'_n,t＞C_r，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τ_BS；因此，结果反馈时延表示为：

其中，B_n、

和H_n,0,t分别表示下行信道带宽、传输功率和信道增益；

4)卸载时延：如果不能在特定时延要求τ_max内将结果反馈给用户，即

意味着任务卸载失败；任务卸载总时延为：

在第(t+1)个时隙需重传的数据量为：

其中，II为指示函数，事件x为真时II{x}＝1，否则II{x}＝0；

所述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s_n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s_n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Sig_UV和Sig_n，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s_n的签名发送给RAC；随后，RAC分别向用户和s_n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s_n证书中的公钥加密数据并发送给s_n，并将生成的根哈希值Root(m₁)发送给CC；s_n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s_n；否则，s_n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s_n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；s_n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；

所述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：

其中，

表示时间平均任务到达率，τ^Q为排队时延阈值；

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：

其中，

为切换成本阈值；

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)-τ^Q，0}

其中，

F(1)＝Z(1)＝0，F(t)和Z(t)分别表示当前排队时延和切换成本与相应需求的偏差；

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π_n,t＝{μ_n,t,μ'_n,t,uc_n,t}表示雾服务器s_n的可信度，μ_n,t、μ'_n,t和uc_n,t分别为信任度、不信任度和不确定度，μ_n,t+μ'_n,t+uc_n,t＝1；uc_n,t＝1-c_n,t，c_n,t为连接概率；雾服务器s_n的可信度定义为：

r_n,t＝μ_n,tc_n，t

连接概率定义为雾服务器s_n在τ_max期间内均对用户可用的概率，估计为：

其中，p(τ|d_n,t,τ_max)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

a_n和b_n分别为成功和失败事件的加权，定义为：

其中

和

分别表示区块链中最近成功事件和失败事件的次数，

和

分别表示区块链中过去成功事件和失败事件的次数；信任度与不信任度为：

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s_n；否则，用户基于r_n,t、

和

估计s_n的

其中，

分别表示到时隙t为止，用户在时延要求内收到s_n反馈结果的总次数和Φ_n,t的样本均值；则在第t个时隙，用户对s_n的估计值为：

其中，第一项表明雾服务器的可信度越高，其估计值越小，

为置信界限，λ为平衡探索与利用的权重，Γ_t-1为用户从所有雾服务器成功收到结果反馈的总次数；用户选择估计值最小的雾服务器ψ(t)进行任务卸载；

在学习阶段，用户不断更新Q(t+1)，并计算Φ_n,t；若用户在时延要求内收到s_n反馈的计算结果，则更新

和Γ_t，即：

Γ_t＝Γ_t-1+1

否则，

和Γ_t保持不变；最后，用户分别更新F(t+1)、Z(t+1)和{r_n,t+1}；

在选择和学习之间重复迭代，直至t＞T。

Images