一种面向位置隐私保护的任务卸载方法

摘要

本发明公开了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。

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

[0001] 本发明属于移动计算领域，特别是涉及一种面向位置隐私的任务卸载方法。

背景技术

[0002] 位置隐私保护是指在基于位置服务时保护用户的位置信息不被泄露，从而 保护用户的其他敏感信息不被推测出来。越来越多的研究者开始重视位置隐私 保护问题。边缘
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。

[0003] 已有的位置隐私保护方法主要有匿名、位置模糊和加密。匿名方法是隐瞒 用户的身份，通常是先删除身份标识属性，然后针对标识属性进行匿名处理。 匿名不仅可以保护
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。

[0004] 近年来移动边缘网络的出现，使得一些关于计算密集型任务的难题可以被 有效解决。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，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

[0005] 本发明旨在解决现有边缘计算中存在的位置隐私问题和任务卸载问题，提 出了一种在保护位置隐私的同时，使用强化学习的方法来实现任务卸载决策和 资源分配。

[0006] 本发明解决上述技术问题采用的技术方案如下：一种面向位置隐私保护的 任务卸载方法，包括以下步骤：

[0007] 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。

[0008] 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。

[0009] 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。

[0010] 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。

[0011] S5，使用强化学习建模，将任务的决策参数(包括步骤S4中计算传输延迟、 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)作 为输入，得到任务卸载
结果。

[0012] 本发明的优点及有益效果如下：

[0013] 1.本发明在边缘计算任务卸载中考虑用户的位置隐私保护，利用位置模糊产 生虚拟位置来获取服务器的位置。首次在选择服务器发送任务卸载请求时考虑 位置泄露风
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。

[0014] 2.在分配用户带宽时，考虑用户的信道传输延迟，由于用户选择服务器并不 是以最近距离目标，考虑延迟问题，根据距离和信道质量来合理分配带宽。

[0015] 3.相比较于传统云，边缘云计算离用户设备更近，可以减少网络传输延迟， 提升应用程序运行速度，节省用户设备能耗，改善用户体验。使用强化学习在 线学习任务卸载
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

[0016] 图1是本发明面向位置隐私保护的任务卸载策略的原理图；

[0017] 图2为位置隐私保护框架示意图；

[0018] 图3为服务器选择矩阵；

[0019] 图4强化学习的任务卸载示意图。

具体实施方式

[0020] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自 始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。 下面通过参考
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。

[0021] 本发明公开了一种面向位置隐私保护的任务卸载方法，如图1所示，包括 以下步骤：

[0022] 第一步，生成虚拟位置，以当前位置l(x,y)为圆心，以r1,r2为半径形成一个 圆环，以初始随机概率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')。所述p为0到1的实数，且r1、r2均为大于 0的实数且r1＜r2

[0023] 在本实施方案中，运用以上获取的虚拟位置，发起基于LBS的服务器请求， 获取部署在基站的服务器位置，得到服务器的位置信息集合。

[0024] 使用模糊实际位置生成虚拟位置的方法包括以下步骤：

[0025] (1)将设备位置l(x,y)为圆心，根据距离公式求解一个虚拟位置空间S：

[0026] S＝{s(x',y')|x+r1＜x'＜x+r2,y+r1＜y'＜y+r2}

[0027] 其中x',y'表示虚拟位置的经纬度坐标，r1，r2表示虚拟空间中经纬坐标与真 实位置的差值；且为了使虚拟空间与真实位置有所差异同时不能过于影响服务 质量，本实施案
例设置0.005＜r1＜r2＜0.01。

[0028] (2)根据虚拟空间的位置点与真实位置之间的距离初始化虚拟位置选择概 率p，由近到远在距离上符合正态分布；

[0029]

[0030] μ为位置参数，σ为尺度参数。表示p服从期望为μ，方差为σ2的概率分 布。

[0031] 第二步，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，所述M为正整数， 且i为不大于M的正整数。

[0032] 在本实施例中，使用设备位置信息l(x,y)和服务器位置信息li(xi,yi)根据经 纬度距离公式计算距离dis：

[0033] C＝sin(y)sin(yi)cos(x‑xi)+cos(y)cos(yi)

[0034]

[0035] 其中，R表示地球的平均半径。

[0036] 根据距离dis，利用隐私判别公式对每个服务器判定隐私保护级别：

[0037]

[0038] 其中，disi,mj表示设备i与BSmj之间的距离；Rmj,range表示BSmj的最大通信范围； BSmj表示设备i能够与基站通信的第个j设备

[0039] 根据距离和带宽估计传输代价

[0040] Tsi,mj＝Bmj*ηi

[0041] ηi＝log(1+S/N)

[0042]

[0043] 其中，Tsi,mj表示设备i与BSmj的传输速率，Bmj表示服务器的带宽资源，ηi表 示设备的上行链路频谱效率，S/N表示设备的信噪比，Task表示设备计算任务 的大小。

[0044] 第三步，选择发送卸载请求的服务器，根据第二步得到的服务器选择矩阵， 使用线性规划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。

[0045] 在本实施方式中，依据第第二步得到的服务器选择矩阵，如图3所示。(1) 制定线性规划问题，目标函数为：maxz＝(c1privacy+c2/delay)p,相关约束如下： delay≤20，
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。

[0046] (2)然后利用用户当前速度vt和位移方向(xa,ya)计算服务器选择概率pch：

[0047]

[0048] 其中，Rmj,range表示基站的通信范围；tr表示设备计算任务的约束时间。xi， yi表示服务器位置的横纵坐标。

[0049] (3)将线性规划选出来的服务器根据选择概率选出在约定时间内最适合卸 载的服务器。

[0050] 第四步，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。然后对所有请求卸载的任务评估其卸载成本和收益。依据任务卸载请 求中任务的基本
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。

[0051] (1)根据设备与服务器之间的距离来分配带宽Bi：

[0052]

[0053]

[0054] 其中，Bmj表示服务器的所有带宽资源，di,mj表示设备与基站之间的距离，D 表示连接到BSmj的设备距离和。

[0055] (2)根据带宽和距离计算计算任务传输延迟

[0056]

[0057] (3)根据设备发送功率psend和任务大小Ltaski计算发送延迟：

[0058] Tisend＝Ltaskipsend

[0059] (4)根据设备传输功率pt,i以及传输延迟 计算传输能耗：

[0060]

[0061] (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：

[0062]

[0063] 其中，Ctaski表示任务所需的计算力， 表示本地计算能力。

[0064] (5)根据设备功率和本地计算时间计算本地计算能耗：

[0065]

[0066] 其中， 表示设备功率。

[0067] (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：

[0068]

[0069] 其中， 表示边缘计算资源。

[0070] (7)根据边缘计算功耗和计算时间计算边缘计算能耗。

[0071]

[0072] 其中， 表示边缘计算功率， 表示计算时间。

[0073] 第五步，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。首先给出基于强化学习理论的计算任务卸载策略的求解过程：首先根据 强化学习理论，定义
出待解决的问题中的几个重要部分。

[0074] 强化学习过程需要将原问题转化为一个马尔科夫决策过程＜S,A,R＞，即由状 态S、动作A、奖励R三部分组成的过程。系统从所处的某一状态开始，根据 当前状态选择动作
并加以执行，而后到达新的状态，并取得新状态对应的奖励。

[0075] 这里我们定义每个服务器在t时间段的剩余计算力和资源为其在t时间段所 处的状态。在每个状态下，用户设备的可选动作为其中三个决策动作分别代表 无动作、将计算
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。

[0076] 本实施方案中，先将等待卸载决策的任务进行预先修剪处理。将已经超出 容忍时间任务选择本地执行，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。

[0077] 该面向位置隐私保护的任务卸载策略，不仅能够有效的保护用户的位置隐 私；而且多目标优化的方法降低能耗与延迟的同时能够积累更多的收益，在考 虑用户服务质量
的同时兼顾服务提供商的利益。

[0078] 尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解： 在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、 替换和变型，
本发明的范围由权利要求及其等同物限定。