CN114356545A - 一种面向隐私保护与能耗优化的任务卸载方法 - Google Patents

Abstract

本发明请求保护一种面向隐私保护与能耗优化的任务卸载方法，包括下列主要步骤：S1，根据服务器和设备相关信息数据构建系统模型；S2，对任务信息数据作标准化处理并为属性分配不同的权重，得到待分组的任务信息数据；S3，采用聚类算法，对S2得到的任务信息数据根据属性权重进行分组，分组的组数与模型中服务器数量相等；S4，根据S1建立的模型以及S3的结果计算出能耗。通过MFO算法，在容忍时延范围内优化能耗，得到各设备任务的卸载决策；S5，根据卸载决策将任务卸载到对应的边缘节点或是本地处理。本发明在任务卸载时考虑隐私保护与能耗优化等问题，本发明满足了用户的需求，有效保护了用户隐私，在任务容忍时延范围内有效减少了系统能耗。

Description

一种面向隐私保护与能耗优化的任务卸载方法

技术领域

本发明属于移动计算领域，特别是涉及一种面向隐私与能耗优化的任务卸载策略。

背景技术

边缘计算中的任务卸载指的是，对于某些计算密集型任务。当用户设备开始运行计算密集型任务并处于移动边缘网络中时，设备可以选择将计算任务发送到就近的公共服务器上，将任务卸载到边缘计算服务器上处理，这一过程称作任务卸载。用户设备将不再需要计算资源和能耗来计算相应任务。因此移动边缘计算可以有效地降低设备的资源占用、能量消耗，同时提供更快的响应速度。

但是在计算卸载的过程中我们还面临着种种限制，一是卸载过程中可能会存在隐私泄露问题。由于MEC系统应用层的相对开放性，攻击者可利用侧信道攻击的方式推测、监听MEC服务器上卸载的计算任务信息，如数据量大小，所需计算资源，容忍时延等。由于用户使用终端的习惯不同，每个用户常用的终端应用及其任务信息也一般不同，若攻击者通过其他手段掌握了目标用户的部分先验信息(如用户经常性卸载的计算任务及其大致任务信息)，则可通过监听MEC节点上任务卸载情况并推测目标用户所在MEC节点；二是有限的计算资源和带宽资源并不能确保所有人的计算请求都能在第一时间被处理完成。如不采取一定的策略，直接将大量任务卸载到同一服务器，或者是资源分配不合理，将会导致时延和能耗大大增加，从而大部分设备都无法以正常的速率进行任务的提交以及计算结果的接收。如何将有限的计算和带宽资源分配给大量的卸载计算任务、为用户设备请求的计算任务规划出合理的卸载策略和资源分配策略是移动边缘网络技术中的一个亟待解决的问题。

已有的大多数计算任务卸载决策中，针对隐私保护相关问题，已有的隐私保护方法主要有加密、认证、访问控制、模糊和泛化等方法，但这些方法多是从加密、认证等数据安全和访问控制角度防护卸载的数据内容，并未充分考虑卸载决策中的隐私问题，对用户卸载的信息相似度所导致的隐私泄露研究则更少；针对时延和能耗相关优化问题，已有的方法主要有线性规划、资源匹配、博弈论等。在隐私保护的基础上，任务卸载能耗的优化也很少有人研究。可以综合考虑隐私保护和能耗优化，在保护隐私的同时兼顾用户的体验，使任务卸载在容忍时延内的情况下尽可能地节省能耗。

经过检索，申请公开号为CN112437468A，一种基于时延与能耗权重计算的任务卸载算法，具体实施步骤如下：步骤1.每个终端设备都有一个任务待处理，设备提交任务，分别计算设备中任务的时延与能耗的系数。步骤2.对于设备中的任务进行本地最佳资源分配。步骤3.初始所有任务全部卸载到MEC服务器执行，对所有任务设定ai＝1。步骤4.对需要卸载到MEC服务器上执行的任务进行最佳资源分配。步骤5.根据算法1进行信道分配。步骤6.根据每个任务在MEC端与在本地的开销做出卸载决策。步骤7.判断卸载决策是否有变化，如果不变，算法终止。反之转向步骤4。

上述发明针对任务执行的时延与能耗权重系数进行计算，对于移动边缘计算中移动终端设备的任务卸载问题，提出一种基于时延与能耗权重计算的任务卸载算法，旨在根据用户需求以及设备自身电量状态减少终端设备任务执行的开销。该发明是针对多用户单MEC场景下的计算卸载，且未考虑卸载时可能带来的隐私泄露问题。本发明考虑多用户多MEC场景下的计算卸载，且考虑了卸载时可能带来的隐私泄露问题。先使用聚类分组使卸载到同一MEC节点的多个用户卸载任务信息相似，从而使攻击者无法从多个卸载行为相近的用户中区分所攻击的目标用户，整体保护多个用户的隐私，然后利用改进的MFO算法对任务卸载进行决策并节省能耗。

申请公开号为CN113407249A，一种面向位置隐私保护的任务卸载方法，包括：S1，以用户的真实位置为圆心生成一个圆环形的虚拟位置空间，以初始随机概率选择一个虚拟位置；S2，使用虚拟位置获取附近部署了边缘服务器的基站位置，构建服务器选择矩阵；S3，根据服务器选择矩阵，择优选择服务器发送任务卸载请求；S4，分配带宽，并计算出处理任务的相关参数；S5，选择在任务容忍时间内能够处理完成且节省能耗和时间最多以及收益最大的任务卸载到边缘节点执行。本发明考虑用户位置隐私问题对任务进行卸载，本发明能有效的保护用户的位置隐私，且尽可能的获得服务质量；使用强化学习算法做出任务卸载决策，在线学习动态调整卸载策略。

上述发明是针对位置进行位置模糊来达到隐私保护的目的，并进一步使用强化学习来进行任务卸载的决策，并未考虑多用户卸载情景下的用户任务信息相似性，若攻击者通过其他手段掌握了目标用户的部分先验信息(如用户经常性卸载的计算任务及其大致任务信息)，则可通过监听MEC节点上任务卸载情况并推测目标用户所在MEC节点。此外，若是卸载到同一MEC节点的用户的任务信息越接近，用户数量越大，则攻击者锁定目标用户的成功概率就越低。本发明考虑这一点，先使用聚类分组使卸载到同一MEC节点的多个用户卸载任务信息相似，从而使攻击者无法从多个卸载行为相近的用户中区分所攻击的目标用户，整体保护多个用户的隐私，然后利用改进的MFO算法对任务卸载进行决策并节省能耗。

发明内容

本发明旨在解决现有边缘计算任务卸载中存在的隐私问题和能耗优化问题，提出了一种在任务卸载中保护用户隐私，并使任务处理时延在容忍时延范围内且尽可能节省能耗的面向隐私保护与能耗优化的任务卸载方法。本发明的技术方案如下：

一种面向隐私保护与能耗优化的任务卸载方法，其包括以下步骤：

S1，根据服务器和设备相关信息数据构建系统模型；

S2，根据系统模型，对任务信息数据作标准化处理并为属性分配不同的权重，得到待分组的任务信息数据；

S3，采用聚类算法，对得到的任务信息数据根据属性权重进行分组，分组的组数与系统模型中服务器数量相等；

S4，根据建立的系统模型以及分组结果计算出能耗；并通过改进MFO(飞蛾火焰)算法，在容忍时延范围内优化能耗，得到各设备任务的卸载决策；

S5，根据卸载决策将任务卸载到对应的边缘节点或进行本地处理。

进一步的，所述步骤S1根据服务器和设备相关信息数据构建系统模型的方法具体包括：

根据数据中服务器和设备的相关信息，利用矩阵存储M个服务器信息和N个设备任务信息，其中每个任务信息可描述为五元组(x，y，b，c，t_max)，其中x，y表示设备位置的横纵坐标，b表示任务数据量，它包括程序代码、输入文件，c表示任务在执行此任务时每bit数据所需的CPU周期轮数，t_max表示完成此任务允许的最大容忍时延，用户设备性能可用一个三元组(f_l，p，k_l)表示，其中f_l表示设备的CPU周期频率，即用户本地设备的计算能力，p表示设备功率，k_l表示用户设备硬件相关能耗系数，服务器性能可用一个二元组(x_s，y_s，f_s，k_s)表示，其中x_s，y_s表示设备位置的横纵坐标，f_s表示MEC服务器的CPU周期频率，即MEC服务器计算能力，k_s为服务器设备硬件相关能耗系数；这些参数分别构成M×4的服务器参数矩阵，N×3的设备参数矩阵以及N×5的设备任务信息矩阵。

进一步的，所述步骤S2对任务信息数据作标准化处理并为属性分配不同的权重，得到待分组的任务信息数据，具体包括：

标准化、归一化处理N×5设备任务信息数据，并为数据中属性分配权重，使用离差标准化方法对数据集进行标准化处理包括：

其中，p_i表示数据矩阵中每一列数据的取值，l表示行数，

和

分别表示该列数据最小值和最大值，w_i表示对应p_i分配的权重值，q_i为标准化处理之后的值。

进一步的，所述步骤S3采用聚类算法，对得到的任务信息数据根据属性权重进行分组，具体包括步骤：

(1)对于M个服务器与N个用户设备任务，根据服务器位置确定M个初始聚类中心c₁，c₂，...c_m；

(2)分别计算每个数据对象x_i到所有聚类中心c_i的加权欧式距离，并将其匹配到最近的簇中；

(3)依据公式

，x_i表示第i个数据对象，即用户设备，重新计算各个簇的中心c₁ ^*，c₂ ^*，...，c_m ^*；

(4)若对于任意的i∈{1，2，...，m}，m表示服务器个数，c_i ^*＝c_i都成立，则算法结束，当前的c₁ ^*，c₂ ^*，...，c_m ^*代表最终得聚类结果；若c_i ^*≠c_i，令c_i＝c_i ^*，重复第(2)步操作。为了避免出现死循环的情况，在算法中设置一个最大迭代次数count；

(5)在得到聚类结果之后，根据不同的分组分别将任务对应到相应分组的服务器，使得MEC服务器节点覆盖范围内存在多个用户卸载任务信息相似，攻击者无法从多个卸载行为相近的用户中区分出所攻击的目标用户。

进一步的，所述步骤S4计算卸载决策的方法包括步骤：

(1)根据带宽，用户设备功率，信道增益，噪声功率计算任务传输速率；

(2)根据用户设备CPU频率和任务所需的计算力计算本地处理时延；

(3)根据任务传输速率和任务大小计算传输时延；

(4)根据边缘服务器CPU频率和任务所需计算力计算边缘服务器处理时延；

(5)根据用户设备CPU频率、任务所需的计算力、以及本地设备硬件相关能耗系数计算本地处理能耗；

(6)根据用户设备功率，传输时延计算传输能耗；

(7)根据边缘服务器CPU频率、任务所需的计算力、以及边缘服务器硬件相关能耗系数计算边缘服务器处理能耗；

(8)根据(5),(6),(7)计算最终能耗；

(9)通过MFO算法作出卸载决策，使得任务处理时延在可容忍时延范围内并优化能耗。

进一步的，所述步骤(9)中，通过MFO算法作出卸载决策的步骤包括：

1)初始化D个飞蛾，位置在解空间内随机分布，其中每个飞蛾都是一个N维向量，N为用户设备个数，使用D×N的矩阵Z存储飞蛾位置；

2)再用一个D维向量存储每个飞蛾位置的适应度值，适应度值对应每个用户设备的能耗E_n；

3)将第一代飞蛾位置按照适应度值从小到大排序，排序后赋值给火焰，作为第一代中火焰的空间位置；

4)每个飞蛾依据更新公式向对应火焰飞去并更新位置；

5)计算飞蛾位置更新后的适应度值，将更新后的飞蛾位置与火焰位置的适应度值重新排序，选取适应度值更优的空间位置更新为下一代火焰的位置；

6)计算火焰数量flame_no，

7)迭代次数iter+1，执行步骤4)，进入下一代，直至迭代次数iter达到最大迭代次数max_iter，结束迭代，输出最优卸载决策。

进一步的，所述MFO算法用二值映射，飞蛾位置向量的维度数对应任务数，目标函数适应度值对应于能耗值，迭代过程中计算适应度值时，将飞蛾位置中的各个分量的值看作优先级，数值大的优先级高，以此将飞蛾位置向量的值映射为1或0。飞蛾的位置对应于优化问题的一个解向量，即卸载决策，映射后此向量的各个分量为1或0，为1代表此用户设备任务卸载到边缘服务器执行，为0则本地处理；最后，可以卸载的任务对应的分量值为1，反之为0，算法最终输出最优卸载决策。

进一步的，所述4)每个飞蛾依据更新公式向对应火焰飞去并更新位置，具体包括：

Z_i＝|Fire_j-Z_i|*e^bt*coS(2πt)+Fire_j

其中Z_i表示第i只飞蛾，Fire_j表示第j个火焰，e表示自然对数底数，b表示所定义的对数螺旋形状常数，路径系数t表示[r，1]中的随机数，变量r在迭代过程中按迭代次数线性减少，

其中，iter表示当前迭代次数，max_iter表示最大迭代次数。

进一步的，所述6)计算火焰数量flame_no，具体包括：

其中，D表示飞蛾数量，iter表示当前迭代次数，max_iter表示最大迭代次数，round表示四舍五入函数；

flame_no随着迭代次数增长而逐渐减少，迭代结束时仅有1个火焰。当飞蛾数量小于等于火焰数量时，第i个飞蛾追逐第i个火焰；当飞蛾数量大于火焰数量时，多出来的飞蛾追逐适应度排序最末的火焰。

本发明的优点及有益效果如下：

1.针对隐私保护相关问题，已有的隐私保护方法主要有加密、认证、访问控制、模糊和泛化等方法，但这些方法多是从加密、认证等数据安全和访问控制角度防护卸载的数据内容，并未充分考虑卸载决策中的隐私问题。本发明在在任务卸载中考虑这一点，采用聚类方法，根据设备任务信息对用户设备进行分组，将任务信息相似的用户划分为一组卸载，增加卸载到同一边缘服务器上的用户任务信息相似度，使服务器节点覆盖范围内有多个用户卸载任务信息相似，攻击者无法从多个卸载行为相近的用户中区分出要攻击的目标用户，有效保护了用户隐私。

2.使用MFO算法优化任务卸载策略时，标准MFO算法是为解决连续优化问题开发的，为了解决离散问题，本发明对其进行改进，由于卸载决策仅有两种情况，要么卸载，要么本地处理，故采用二值映射，将连续的值映射为离散的整数值0和1。然后充分考虑时延和服务器资源情况，以在可容忍时延范围内优化能耗为目标，找出最优卸载策略，节省设备能耗，改善用户体验，使边缘计算的性能大幅度提升。

附图说明

图1是本发明一种面向隐私保护与能耗优化的任务卸载方法流程图

图2是本发明提供优选实施例多用户-多服务器系统模型图；

图3是任务卸载原理图；

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本发明解决上述技术问题的技术方案是：

如图1所示，一种面向隐私保护与能耗优化的任务卸载方法，其包括以下步骤：

S1，获取服务器和设备相关信息数据，如图2所示，构建系统模型。利用矩阵存储N个设备任务信息和M个服务器的信息；

S2，根据S1的模型，对任务信息数据作标准化处理并为属性分配不同的权重，对S1中的存储设备任务信息的矩阵进行标准化处理，再根据权重向量对矩阵中的设备任务信息分配权重，得到待分组的任务信息数据；

S3，采用聚类算法，依据S2得到的任务信息数据，根据属性权重进行分组，分组的组数与模型中服务器数量相等。根据不同的分组分别将任务对应到相应分组的服务器。

S4，根据S1建立的模型以及S3的结果计算出传输时延、传输能耗、本地计算时延、本地计算能耗、边缘计算时延，边缘计算能耗。通过MFO算法，在可容忍时延范围内优化能耗，得到各设备任务的卸载决策；

S5，根据卸载决策将任务卸载到对应的边缘节点或是本地处理，卸载到边缘服务器进行处理的任务，由边缘服务器对任务进行处理之后，将处理结果返回用户设备。

进一步的，所述步骤S1中构建系统模型的方法包括：

(1)根据数据中服务器和设备的相关信息，利用矩阵存储M个服务器信息和N个设备任务信息，其中每个任务信息可描述为五元组(x，y，b，c，t_max)，其中x，y表示设备位置的横纵坐标，b表示任务数据量，它包括程序代码、输入文件等，c表示任务在执行此任务时每bit数据所需的CPU周期轮数，t_max表示完成此任务允许的最大容忍时延，用户设备性能可用一个三元组(f_l，p，k_l)表示，其中f_l表示设备的CPU周期频率，即用户本地设备的计算能力，p表示设备功率，k_l表示用户设备硬件相关能耗系数，服务器性能可用一个二元组(x_s，y_s，f_s，k_s)表示，其中x_s，y_s表示设备位置的横纵坐标，f_s表示MEC服务器的CPU周期频率，即MEC服务器计算能力，k_s为服务器设备硬件相关能耗系数；这些参数分别构成M×4的服务器参数矩阵，N×3的设备参数矩阵以及N×5的设备任务信息矩阵；

进一步的，所述步骤S2中标准化、归一化处理N×5设备任务信息数据，并为数据中属性分配权重，使用离差标准化方法对数据集进行标准化处理包括：

其中，p_i表示数据矩阵中每一列数据的取值，l表示行数，

和

分别表示该列数据最小值和最大值，w_i表示对应p_i分配的权重值，q_i为标准化处理之后的值。

进一步的，所述步骤S3中利用聚类方法对任务设备进行分组包括步骤：

(1)对于M个服务器与N个用户设备任务，根据服务器位置确定M个初始聚类中心c₁，c₂，...c_m；

(2)分别计算每个数据对象x_i到所有聚类中心c_i的加权欧式距离，并将其匹配到最近的簇中；

(3)依据公式

重新计算各个簇的中心c₁ ^*，c₂ ^*，...，c_m ^*；

(4)若对于任意的i∈{1，2，...，m}，c_i ^*＝c_i都成立，则算法结束，当前的c₁ ^*，c₂ ^*，...，c_m ^*代表最终得聚类结果；若c_i ^*≠c_i，令c_i＝c_i ^*，重复第(2)步操作。为了避免出现死循环的情况，在算法中设置一个最大迭代次数count；

(5)在得到聚类结果之后，根据不同的分组分别将任务对应到相应分组的服务器。使得MEC服务器节点覆盖范围内存在多个用户卸载任务信息相似，攻击者无法从多个卸载行为相近的用户中区分出所攻击的目标用户。

进一步的，所述步骤S4中计算卸载决策的方法包括步骤：

对于第n个任务有：

(1)根据香农公式计算任务的数据传输速率v_n：

其中，B表示带宽，p_n表示设备功率，G_n表示信道增益，N₀表示噪声功率。

(2)计算设备本地处理时延

其中，b_n表示任务数据量，c_n表示任务在执行此任务时每bit数据所需的CPU周期轮数，

表示本地用户设备的CPU周期频率。

(3)计算任务的传输时延：

其中，b_n表示任务数据量，v_n表示任务的数据传输速率。

(4)计算任务的服务器处理时延

其中，b_n表示任务数据量，c_n表示任务在执行此任务时每bit数据所需的CPU周期轮数，

表示服务器的CPU周期频率。

(5)计算任务的本地处理能耗

其中，k_l表示用户设备硬件相关能耗系数，b_n表示任务数据量，c_n表示任务在执行此任务时每bit数据所需的CPU周期轮数，

表示本地用户设备的CPU周期频率。

(6)计算任务的传输能耗

其中，

表示任务的传输时延，p_n表示用户设备功率。

(7)计算任务的服务器处理能耗

其中，k_s表示用户设备硬件相关能耗系数，b_n表示任务数据量，c_n表示任务在执行此任务时每bit数据所需的CPU周期轮数，

表示服务器的CPU周期频率。

(8)根据(5),(6),(7)计算第n个任务的能耗E_n：

其中

表示任务在本地设备处理，

表示任务卸载到服务器处理，

取值为{0，1}，且

即任务要么本地处理，要么卸载到服务器处理。

(9)通过MFO算法作出卸载决策，使得任务处理时延在可容忍时延范围内并优化能耗。

进一步的，所述步骤(9)中，MFO算法决策的步骤包括：

1)初始化D个飞蛾，位置在解空间内随机分布，其中每个飞蛾都是一个N维向量，N为用户设备个数，使用D×N的矩阵Z存储飞蛾位置；

2)再用一个D维向量存储每个飞蛾位置的适应度值，适应度值对应每个用户设备的能耗E_n；

3)将第一代飞蛾位置按照适应度值从小到大排序，排序后赋值给火焰，作为第一代中火焰的空间位置；

4)每个飞蛾依据如下更新公式向对应火焰飞去并更新位置，

Z_i＝|Fire_j-Z_i|*e^bt*coS(2πt)+Fire_j

其中Z_i表示第i只飞蛾，Fire_j表示第j个火焰，e表示自然对数底数，b表示所定义的对数螺旋形状常数，路径系数t表示[r，1]中的随机数，变量r在迭代过程中按迭代次数线性减少，

其中，iter表示当前迭代次数，max_iter表示最大迭代次数。

5)计算飞蛾位置更新后的适应度值，将更新后的飞蛾位置与火焰位置的适应度值重新排序，选取适应度值更优的空间位置更新为下一代火焰的位置；

6)计算火焰数量flame_no，

其中，D表示飞蛾数量，iter表示当前迭代次数，max_iter表示最大迭代次数，round表示四舍五入函数。

flame_no随着迭代次数增长而逐渐减少，迭代结束时仅有1个火焰。当飞蛾数量小于等于火焰数量时，第i个飞蛾追逐第i个火焰；当飞蛾数量大于火焰数量时，多出来的飞蛾追逐适应度排序最末的火焰；

7)迭代次数iter+1，执行步骤4)，进入下一代，直至迭代次数iter达到最大迭代次数max_iter，结束迭代，输出最优卸载决策。

由于标准MFO算法是为解决连续优化问题开发的，为了解决离散问题，本发明采用二值映射，飞蛾位置向量的维度数对应任务数，目标函数适应度值对应于能耗值，迭代过程中计算适应度值时，将飞蛾位置中的各个分量的值看作优先级，数值大的优先级高，以此将飞蛾位置向量的值映射为1或0。飞蛾的位置对应于优化问题的一个解向量，即卸载决策，映射后此向量的各个分量为1或0，为1代表此用户设备任务卸载到边缘服务器执行，为0则本地处理；最后，可以卸载的任务对应的分量值为1，反之为0，算法最终输出最优卸载决策。

进一步的，所述步骤S5中任务卸载的方法包括：

执行S4输出的决策，若当前设备对应的决策值为0，则任务在本地处理，若当前设备对应的决策值为1，则卸载到边缘服务器进行处理，由边缘服务器对任务进行处理之后，将处理结果返回用户设备。如图3所示。

在本实施例中，执行S4输出的决策，若当前设备对应的决策值为0，则任务在本地处理，若当前设备对应的决策值为1，则卸载到边缘服务器进行处理，由边缘服务器对任务进行处理之后，将处理结果返回用户设备。

该面向隐私保护和能耗优化的任务卸载策略，不仅能够有效地从整体上保护用户隐私；而且MFO的启发式算法能够在保证容忍时延的同时优化能耗，在考虑用户服务质量的同时兼顾服务提供商的利益。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (9)

1.一种面向隐私保护与能耗优化的任务卸载方法，其特征在于，包括以下步骤：

S1，根据服务器和设备相关信息数据构建系统模型；

S2，根据系统模型，对任务信息数据作标准化处理并为属性分配不同的权重，得到待分组的任务信息数据；

S3，采用聚类算法，对得到的任务信息数据根据属性权重进行分组，分组的组数与系统模型中服务器数量相等；

S4，根据建立的系统模型以及分组结果计算出能耗；并通过改进MFO(飞蛾火焰)算法，在容忍时延范围内优化能耗，得到各设备任务的卸载决策；

S5，根据卸载决策将任务卸载到对应的边缘节点或进行本地处理。

2.根据权利要求1所述的面向隐私保护与能耗优化的任务卸载方法，其特征在于，所述步骤S1根据服务器和设备相关信息数据构建系统模型的方法具体包括：

根据数据中服务器和设备的相关信息，利用矩阵存储M个服务器信息和N个设备任务信息，其中每个任务信息可描述为五元组(x，y，b，c，t_mmax)，其中x，y表示设备位置的横纵坐标，b表示任务数据量，它包括程序代码、输入文件，c表示任务在执行此任务时每bit数据所需的CPU周期轮数，t_max表示完成此任务允许的最大容忍时延，用户设备性能可用一个三元组(f_l，p，k_l)表示，其中f_l表示设备的CPU周期频率，即用户本地设备的计算能力，p表示设备功率，k_l表示用户设备硬件相关能耗系数，服务器性能可用一个二元组(x_s，y_s，f_s，k_s)表示，其中x_s，y_s表示设备位置的横纵坐标，f_s表示MEC服务器的CPU周期频率，即MEC服务器计算能力，k_s为服务器设备硬件相关能耗系数；这些参数分别构成M×4的服务器参数矩阵，N×3的设备参数矩阵以及N×5的设备任务信息矩阵。

3.根据权利要求1所述的面向隐私保护与能耗优化的任务卸载方法，其特征在于，所述步骤S2对任务信息数据作标准化处理并为属性分配不同的权重，得到待分组的任务信息数据，具体包括：

标准化、归一化处理N×5设备任务信息数据，并为数据中属性分配权重，使用离差标准化方法对数据集进行标准化处理包括：

其中，p_i表示数据矩阵中每一列数据的取值，l表示行数，

和

分别表示该列数据最小值和最大值，w_i表示对应p_i分配的权重值，q_i为标准化处理之后的值。

4.根据权利要求1所述的面向隐私保护与能耗优化的任务卸载方法，其特征在于，所述步骤S3采用聚类算法，对得到的任务信息数据根据属性权重进行分组，具体包括步骤：

(1)对于M个服务器与N个用户设备任务，根据服务器位置确定M个初始聚类中心c₁，c₂，...c_m；

(2)分别计算每个数据对象x_i到所有聚类中心c_i的加权欧式距离，并将其匹配到最近的簇中；

(3)依据公式

x_i表示第i个数据对象，即用户设备，重新计算各个簇的中心c₁ ^*，c₂ ^*，...，c_m ^*；

(4)若对于任意的i∈{1，2，...，m}，m表示服务器个数，c_i ^*＝c_i都成立，则算法结束，当前的c₁ ^*，c₂ ^*，...，c_m ^*代表最终得聚类结果；若c_i ^*≠c_i，令c_i＝c_i ^*，重复第(2)步操作。为了避免出现死循环的情况，在算法中设置一个最大迭代次数count；

(5)在得到聚类结果之后，根据不同的分组分别将任务对应到相应分组的服务器，使得MEC服务器节点覆盖范围内存在多个用户卸载任务信息相似，攻击者无法从多个卸载行为相近的用户中区分出所攻击的目标用户。

5.根据权利要求1所述的面向隐私保护与能耗优化的任务卸载方法，其特征在于，所述步骤S4计算卸载决策的方法包括步骤：

(1)根据带宽，用户设备功率，信道增益，噪声功率计算任务传输速率；

(2)根据用户设备CPU频率和任务所需的计算力计算本地处理时延；

(3)根据任务传输速率和任务大小计算传输时延；

(4)根据边缘服务器CPU频率和任务所需计算力计算边缘服务器处理时延；

(5)根据用户设备CPU频率、任务所需的计算力、以及本地设备硬件相关能耗系数计算本地处理能耗；

(6)根据用户设备功率，传输时延计算传输能耗；

(7)根据边缘服务器CPU频率、任务所需的计算力、以及边缘服务器硬件相关能耗系数计算边缘服务器处理能耗；

(8)根据(5)，(6)，(7)计算最终能耗；

(9)通过MFO算法作出卸载决策，使得任务处理时延在可容忍时延范围内并优化能耗。

6.根据权利要求5所述的面向隐私保护与能耗优化的任务卸载方法，其特征在于，所述步骤(9)中，通过MFO算法作出卸载决策的步骤包括：

1)初始化D个飞蛾，位置在解空间内随机分布，其中每个飞蛾都是一个N维向量，N为用户设备个数，使用D×N的矩阵Z存储飞蛾位置；

2)再用一个D维向量存储每个飞蛾位置的适应度值，适应度值对应每个用户设备的能耗E_n；

3)将第一代飞蛾位置按照适应度值从小到大排序，排序后赋值给火焰，作为第一代中火焰的空间位置；

4)每个飞蛾依据更新公式向对应火焰飞去并更新位置；

5)计算飞蛾位置更新后的适应度值，将更新后的飞蛾位置与火焰位置的适应度值重新排序，选取适应度值更优的空间位置更新为下一代火焰的位置；

6)计算火焰数量flame_no，

7)迭代次数iter+1，执行步骤4)，进入下一代，直至迭代次数iter达到最大迭代次数max_iter，结束迭代，输出最优卸载决策。

7.根据权利要求6所述的面向隐私保护与能耗优化的任务卸载方法，其特征在于，所述MFO算法用二值映射，飞蛾位置向量的维度数对应任务数，目标函数适应度值对应于能耗值，迭代过程中计算适应度值时，将飞蛾位置中的各个分量的值看作优先级，数值大的优先级高，以此将飞蛾位置向量的值映射为l或0。飞蛾的位置对应于优化问题的一个解向量，即卸载决策，映射后此向量的各个分量为1或0，为1代表此用户设备任务卸载到边缘服务器执行，为0则本地处理；最后，可以卸载的任务对应的分量值为1，反之为0，算法最终输出最优卸载决策。

8.根据权利要求6所述的面向隐私保护与能耗优化的任务卸载方法，其特征在于，所述4)每个飞蛾依据更新公式向对应火焰飞去并更新位置，具体包括：

Z_i＝|Fire_j-Z_i|*e^bt*cos(2πt)+Fire_j

其中Z_i表示第i只飞蛾，Fire_j表示第j个火焰，e表示自然对数底数，b表示所定义的对数螺旋形状常数，路径系数t表示[r，1]中的随机数，变量r在迭代过程中按迭代次数线性减少，

其中，iter表示当前迭代次数，max_iter表示最大迭代次数。

9.根据权利要求6所述的面向隐私保护与能耗优化的任务卸载方法，其特征在于，所述6)计算火焰数量flame_n0，具体包括：

其中，D表示飞蛾数量，iter表示当前迭代次数，max_iter表示最大迭代次数，round表示四舍五入函数；

flame_no随着迭代次数增长而逐渐减少，迭代结束时仅有1个火焰。当飞蛾数量小于等于火焰数量时，第i个飞蛾追逐第i个火焰；当飞蛾数量大于火焰数量时，多出来的飞蛾追逐适应度排序最末的火焰。

Images