一种面向位置隐私保护的任务卸载方法转让专利
申请号 : CN202011594404.X
文献号 : CN113407249B
文献日 : 2022-03-22
发明人 : 何利 , 甯小娥
申请人 : 重庆邮电大学
摘要 :
权利要求 :
1.一种面向位置隐私保护的任务卸载方法,其特征在于,包括以下步骤:S1,生成虚拟位置,以当前设备位置l(x,y)为圆心,以r1,r2为半径形成一个圆环虚拟位置空间S,以虚拟位置选择概率p选择一个虚拟位置l1'(x1',y2'),并在以圆心为对称的另一边选取另一个虚拟位置l2'(x1',y2'),p为0到1的实数,r1、r2均为大于0的实数且r1<r2;
S2,构建服务器选择矩阵,设备获得M个附近的服务器位置,根据设备真实位置计算出设备与M个服务器之间的真实距离,根据距离对每一个服务器评定隐私级别,根据距离和带宽计算传输代价,形成服务器选择矩阵Tc,其中元素Tc(i)表示第i个服务器与设备的隐私级别和传输代价,M为正整数,且i为不大于M的正整数;
S3,选择发送卸载请求的服务器,根据步骤S2得到的服务器选择矩阵,计算出在有效保护位置信息的同时能够付出较低的传输代价的服务器,根据服务器选择概率pch选择最优的服务器发送任务卸载请求;所述选择发送卸载请求的服务器,具体包括:(1)使用线性规划选择出隐私泄露风险低且传输代价小的一组服务器,具体包括,首先对整数线性规划问题的整数约束条件进行松弛操作,然后对求解结果进行过滤操作,最后比较各个候选解,保留性能较优的服务器,舍去其余部分;
(2)利用用户当前速度和位移方向计算服务器选择概率;
(3)将选出来的服务器根据服务器选择概率选出在约定时间内最适合提交任务卸载请求的服务器;
S4,计算任务矩阵,首先对当前队列中等候任务卸载设备根据距离分配带宽,然后计算传输延迟、发送延迟、本地计算时间、本地计算能耗、边缘计算时间、边缘计算能耗,将这些参数构成N行的任务矩阵Tt,其中元素Tt(i)代表第i个任务的相关属性,N为正整数,且i为不大于N的正整数;任务矩阵具体计算包括:(1)根据设备与服务器之间的距离来分配带宽;
(2)根据带宽和距离计算任务传输延迟;
(3)根据设备发送功率和任务大小计算发送延迟;
(4)根据设备的计算能力和任务所需的计算力计算任务本地计算时间;
(5)根据设备功率和本地计算时间计算本地计算能耗;
(6)根据边缘计算资源和任务所需计算力计算边缘计算时间;
(7)根据边缘计算功耗和计算时间计算边缘计算能耗;
S5,使用强化学习建模,将任务的决策参数作为输入,得到任务卸载结果;卸载任务的选择过程如下:
(1)先将等待卸载决策的任务进行预先修剪处理;
(2)以服务器的计算力和资源量作为服务器状态;
(3)将每个任务的容忍时间和所需计算力作为输入,由神经网络输出卸载策略;
(4)更新服务器状态。
2.根据权利要求1所述一种面向位置隐私保护的任务卸载方法,其特征在于:步骤S1所述虚拟位置选择概率p根据虚拟空间的位置点与真实位置之间的距离初始化,且由近到远在距离上符合正态分布;
2
μ为位置参数,σ为尺度参数;表示p服从期望为μ,方差为σ的概率分布。
3.根据权利要求1所述一种面向位置隐私保护的任务卸载方法,其特征在于:步骤S2所述构建服务器选择矩阵的具体步骤包括:(1)根据经纬度距离公式计算出设备与服务器之间的真实距离;
(2)根据隐私判定公式对每个服务器判定隐私保护级别;
(3)根据距离和带宽估计传输代价。
4.根据权利要求1所述一种面向位置隐私保护的任务卸载方法,其特征在于:所述修剪处理包括,将已经超出容忍时间的任务选择本地执行,然后计算出当前已有的资源和计算力状态下,在容忍时间之内不能够成功返回结果的任务选择本地执行。
5.根据权利要求1所述一种面向位置隐私保护的任务卸载方法,其特征在于:所述神经网络输出卸载策略是,根据任务容忍时间进行优先级排序,将节省能耗和时间较多且受益较大的任务卸载到边缘节点上处理。
说明书 :
一种面向位置隐私保护的任务卸载方法
技术领域
背景技术
任务卸载是指在边缘计算中,边缘服务器在移动设备提交的任 务卸载请求中选择部分任
务在边缘节点上处理,剩余任务将在本地处理。
用户位置隐私还可以保护用户数据隐私,但是匿名容易被反 匿名。位置模糊是指将用户精
确的位置模糊成一个空间范围,服务器只知道用 户在这个模糊空间内,而并不清楚确切位
置。位置模糊会降低LBS(基于位置服 务)的服务质量。加密是指使用密码学对数据进行加
密处理,每个位置信息的处 理和查询都是基于密文的,这就使得非法攻击者无法解密出用
户真实的位置和 身份信息。而加密处理会增加时间开销和传输开销。
算任务发送到就近的公共服务器上,这一过程称作卸载 (Offloading)。将任务卸载到边缘
计算服务器上处理,用户设备的计算资源和电 量均未消耗。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。 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,有限的带宽使得同一时间内发送和接受数据的用户是有限的。如不
采 取一定的策略,直接将大量的用户分配到同一个网络接入点,或者是大量任务 分配到
同一服务器,都将会导致所有人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。已有的任务卸载方法主要有线性规划、资 源匹配、博弈论等方法。
发明内容
称的另一边选取另一个虚拟位置l2'(x1',y2'),p为0到1的实数,r1、 r2均为大于0的实数且
r1<r2。
离和带宽计算传输代价,形成服务器选择矩阵Tc,其中元 素Tc(i)表示第i个服务器与设备
的隐私级别和传输代价,M为正整数,且i为不大 于M的正整数。
择最优的服务器发送任务卸载请求。
将这些参数构成N行的任务矩阵Tt,其中元素Tt(i)代表第 i个任务的相关属性,N为正整数,
且i为不大于N的正整数。
结果。
险,权衡隐私和传输代价,选择能够保护用户位置隐私且传输代价 小的服务器。此方法避
免将用户位置直接暴露给服务器以及降低被服务器感知 位置的风险。
策略,充分考虑延迟和服务器资源情况,以最大化收益和节省 能耗与时间为目标,找出最
优卸载策略,使移动边缘云计算的性能大幅度提升。
附图说明
具体实施方式
附图描述的实施例是示例性的,仅用于解释本发明,而不能理解 为对本发明的限制。
个虚拟位置l2'(x1',y2')。所述p为0到1的实数,且r1、r2均为大于 0的实数且r1<r2
例设置0.005<r1<r2<0.01。
据距离和带宽计算传输代价,形成服务器选择矩阵Tc。其 中元素Tc(i)表示第i个服务器与
设备的隐私级别和传输代价,所述M为正整数, 且i为不大于M的正整数。
务器选择概率pch选择最优的服务器。
privacy∈{2,3,4}。通过线性规划选择出符合条件的服务器,首先对整数 线性规划问题的
整数约束条件进行松弛操作,以使其转化为可解的线性规划问 题。根据约束对线性规划问
题求解,得到最优解(privacy*,delay*),然后对求解结 果进行过滤操作,由于距离服务器
太近会被感知到位置,所以将满足 c3≤dis/range≤c4的服务器过滤掉,连接服务器的设
备越多意味着服务器的资源 分配有限,如果目前可选择的服务器数量不止一个,将连接设
备N>10服务器过 滤掉最后,比较各个候选解,只保留性能较优的服务器作为最终解,舍去
其余 部分。
参数,包括距离、数据大小、所需计算力等参数计算能耗以及 延迟。具体,根据带宽计算出
传输延迟,根据任务卸载请求计算出发送延迟、 传输能耗、本地计算时间、本地计算能耗、
边缘计算时间,边缘计算能耗。这 些参数构成N行的任务矩阵Tt,其中元素Tt(i)代表第i个
任务的相关属性,所述 N为正整数,且i为不大于N的正整数。
出待解决的问题中的几个重要部分。
并加以执行,而后到达新的状态,并取得新状态对应的奖励。
任务在本地运行、将计算任务卸载到边缘云服务器运行。每个 状态的奖励信息Rt定义为到
达此状态时的节省能耗和时间以及收益的加权和W, 如果采取卸载动作产生的能耗更少,
则将卸载至边缘云服务器作为计算任务Ti,t的卸载策略,输出动作a=1;否则将在用户设备
本地运行作为卸载策略,输出 动作a=0,即不进行卸载。考虑任务容忍时间,根据任务容忍
时间进行优先级 排序,将节省能耗和时间较多且受益较大的任务卸载到边缘节点上处理,
根据 卸载任务所获得收益以及节省的能耗和时间作为奖励。
够成功返回结果的任务择本地卸载。其次以服务器的计算力 和资源量作为服务器状态;将
每个任务的容忍时间和所需计算力作为输入,由 神经网络输出卸载策略,在得到神经网络
输出的策略同时,获取此策略带来的 奖励Rt,此处的收益定义为本次卸载任务所获得的收
益、节省的能耗和时间的 加权和;然后将本次决策过程的状态信息St、决策结果At、奖励Rt,
以及所到 达的新的状态信息St+1存储至经验重放缓存中作为历史经验。最后更新服务器状
态;在随后的的决策过程中,每隔N次决策过程,从缓存中随机抽取一批历史 经验训练神经
网络参数。方法为使用随机梯度下降法,沿使收益增加的方向调 整神经网络参数。
的同时兼顾服务提供商的利益。
本发明的范围由权利要求及其等同物限定。