熊小峰，黃淳嵐，，樂(lè)光學(xué)，，戴亞盛，楊曉慧，楊忠明，

（1.江西理工大學(xué)理學(xué)院，江西贛州 341000；2.嘉興學(xué)院信息科學(xué)與工程學(xué)院，浙江嘉興 314001）

1 引言

邊緣計(jì)算將計(jì)算、存儲(chǔ)等資源下沉到網(wǎng)絡(luò)邊緣側(cè)，以“就地就近”的服務(wù)模式，實(shí)現(xiàn)低延遲、低能耗、隱私保護(hù)等，提高了網(wǎng)絡(luò)QoS（Quality of Service）和綜合效用.任務(wù)卸載是邊緣計(jì)算的關(guān)鍵技術(shù)之一，主要解決邊緣計(jì)算中任務(wù)是否卸載、任務(wù)劃分和資源分配這三大問(wèn)題［1，2］，實(shí)現(xiàn)網(wǎng)絡(luò)資源融合與共享.

由于搭便車、自私、理性、惡意等不良節(jié)點(diǎn)的普遍存在，極易引起On-off攻擊等不良行為［3］，搶占和消耗邊緣計(jì)算資源，部分節(jié)點(diǎn)因資源被過(guò)度消耗“致死”，導(dǎo)致卸載任務(wù)堆積、執(zhí)行失敗，邊緣計(jì)算網(wǎng)絡(luò)QoS下降.

為抑制任務(wù)卸載過(guò)程中節(jié)點(diǎn)虛假欺騙、服務(wù)不可靠等不良行為，文獻(xiàn)［4］提出了基于社交信任網(wǎng)絡(luò)的服務(wù)器分配策略，提高游戲視頻流服務(wù)；文獻(xiàn)［5］以時(shí)間可信、行為可信、資源可信為約束，構(gòu)建服務(wù)質(zhì)量可信模型，解決大規(guī)模部署邊緣節(jié)點(diǎn)引起的低效率選擇問(wèn)題；文獻(xiàn)［6］基于用戶個(gè)性化的多維需求，評(píng)估盟員卸載優(yōu)先級(jí)，實(shí)現(xiàn)協(xié)同服務(wù)異常時(shí)的調(diào)度卸載；文獻(xiàn)［7］結(jié)合用戶的心理結(jié)構(gòu)，提出一種面向信任的合作伙伴選擇機(jī)制；文獻(xiàn)［8］構(gòu)建基于綜合信任保障的邊緣計(jì)算模型，為任務(wù)卸載服務(wù)請(qǐng)求者和資源提供者進(jìn)行身份、行為和服務(wù)能力定量評(píng)價(jià)，提出一種移動(dòng)資源感知調(diào)度算法，以計(jì)算、存儲(chǔ)和通信資源為約束，尋找節(jié)點(diǎn)進(jìn)行協(xié)同服務(wù).

依據(jù)文獻(xiàn)［8］，針對(duì)任務(wù)卸載服務(wù)請(qǐng)求者和資源提供者可信問(wèn)題，提出一種基于綜合信任評(píng)價(jià)的任務(wù)卸載策略.基于節(jié)點(diǎn)行為的時(shí)間關(guān)聯(lián)屬性，建立節(jié)點(diǎn)信任遺忘函數(shù)和節(jié)點(diǎn)行為獎(jiǎng)懲算子，構(gòu)建節(jié)點(diǎn)信任評(píng)價(jià)機(jī)制；分析節(jié)點(diǎn)任務(wù)卸載真實(shí)特征屬性，建立卸載請(qǐng)求行為評(píng)價(jià)模型；分析節(jié)點(diǎn)資源余量及卸載交互行為，建立卸載協(xié)作綜合評(píng)價(jià)模型，篩選并構(gòu)建可信的卸載協(xié)作候選節(jié)點(diǎn)集，設(shè)計(jì)基于搜索發(fā)現(xiàn)概率的粒子群（Particle Swarm Based On Search Discovery Probability，PS-SDP）算法求解最佳協(xié)作節(jié)點(diǎn)，實(shí)現(xiàn)計(jì)算任務(wù)的可靠卸載服務(wù).通過(guò)仿真實(shí)驗(yàn)驗(yàn)證了模型可行性，能夠有效抑制邊緣計(jì)算中虛假任務(wù)卸載造成的無(wú)效時(shí)間和資源開(kāi)銷，提高資源有效利用.

2 基于綜合信任評(píng)價(jià)的任務(wù)卸載策略

設(shè)邊緣計(jì)算由邊緣云服務(wù)器、超級(jí)節(jié)點(diǎn)（Super Node，SN）和邊緣節(jié)點(diǎn)（Edge Node，EN）構(gòu)成，以SN為中心形成邊緣計(jì)算簇，SN規(guī)模為Xsn={1，2，…，m}，EN規(guī)模為Xien={1，2，…，ni}，如圖1所示.以SN節(jié)點(diǎn)為橋梁實(shí)現(xiàn)邊緣計(jì)算簇間資源聚合與共享，提供任務(wù)卸載協(xié)同服務(wù)；構(gòu)建卸載請(qǐng)求、協(xié)作行為評(píng)價(jià)模型，過(guò)濾虛假卸載任務(wù)請(qǐng)求，遴選最佳協(xié)作節(jié)點(diǎn)，以一對(duì)多模式卸載計(jì)算任務(wù)，獲得高效可靠的卸載協(xié)同服務(wù)，其可信任務(wù)卸載協(xié)同服務(wù)框架如圖2所示.

圖1 邊緣協(xié)同服務(wù)模型

圖2 邊緣協(xié)同服務(wù)可信卸載框架

任務(wù)卸載是一個(gè)具有時(shí)間關(guān)聯(lián)性動(dòng)態(tài)決策過(guò)程，邊緣計(jì)算節(jié)點(diǎn)信任特征具有時(shí)間衰減屬性.基于Ebbinghaus［9］人類大腦記憶遺忘理論，構(gòu)建邊緣計(jì)算節(jié)點(diǎn)信任記憶保持量關(guān)于時(shí)間t的衰減函數(shù)f(t)：

其中，實(shí)驗(yàn)中取值α=0.3574，β=531.7，記憶衰減曲線如圖3所示.

圖3 記憶保持衰減曲線示意圖

將每個(gè)觀察期時(shí)長(zhǎng)分成tk個(gè)時(shí)間片，基于式（1），構(gòu)建邊緣計(jì)算節(jié)點(diǎn)歷史信任遺忘函數(shù)：

其中，T(s)表示第s觀察期的信任度，Δs表示觀察周期間隔數(shù)，σ表示遺忘因子，λ表示歷史信任的保持率.

2.1 卸載請(qǐng)求行為評(píng)價(jià)模型

邊緣計(jì)算簇間的卸載請(qǐng)求行為評(píng)價(jià)模型如圖4所示.SN節(jié)點(diǎn)根據(jù)任務(wù)真實(shí)性計(jì)算卸載源節(jié)點(diǎn)的卸載請(qǐng)求信任度，判定合作關(guān)系，過(guò)濾虛假任務(wù)，執(zhí)行卸載服務(wù).

圖4 卸載請(qǐng)求行為評(píng)價(jià)模型

設(shè)第s觀察期間邊緣計(jì)算簇i（以SN節(jié)點(diǎn)i為中心）中，存在節(jié)點(diǎn)j卸載的真實(shí)任務(wù)和虛假任務(wù)數(shù)分別為根據(jù)簇內(nèi)任務(wù)執(zhí)行情況，計(jì)算SN節(jié)點(diǎn)j的任務(wù)真實(shí)率ptirjue(s)為：

如式（3），η1和η2分別取值為1和2，當(dāng)簇內(nèi)未執(zhí)行節(jié)點(diǎn)j任務(wù)時(shí)，賦予節(jié)點(diǎn)中性值0.5.

為抑制非合作節(jié)點(diǎn)制造、卸載虛假任務(wù)等不良行為，提高合作節(jié)點(diǎn)信任置信度，構(gòu)建節(jié)點(diǎn)卸載請(qǐng)求行為獎(jiǎng)懲算子φ1［10］：

其中，η取值為1.

引入歷史信任遺忘函數(shù)，計(jì)算經(jīng)s個(gè)觀察周期后，節(jié)點(diǎn)j的卸載請(qǐng)求信任Tirjeq(s)［11］：

其中，Titjrue(s)表示第s觀察期間節(jié)點(diǎn)i對(duì)節(jié)點(diǎn)j的真實(shí)任務(wù)信任度.

2.2 卸載協(xié)作綜合評(píng)價(jià)模型

依據(jù)行為信任，將EN節(jié)點(diǎn)分為可靠節(jié)點(diǎn)、激勵(lì)節(jié)點(diǎn)和不良節(jié)點(diǎn)三類［7］：（1）可靠節(jié)點(diǎn)：卸載協(xié)作行為可信，成功率較高的節(jié)點(diǎn)；（2）激勵(lì)節(jié)點(diǎn)：初期卸載協(xié)作服務(wù)能力較差，通過(guò)激勵(lì)調(diào)動(dòng)服務(wù)積極性的節(jié)點(diǎn)；（3）不良節(jié)點(diǎn)：長(zhǎng)期以消極服務(wù)態(tài)度提供協(xié)作服務(wù)的節(jié)點(diǎn).

以節(jié)點(diǎn)資源信任和行為信任，構(gòu)建卸載協(xié)作綜合評(píng)價(jià)模型，如圖5所示.SN節(jié)點(diǎn)結(jié)合當(dāng)前剩余資源和行為信任計(jì)算節(jié)點(diǎn)卸載協(xié)作信任，判定節(jié)點(diǎn)信任關(guān)系，構(gòu)建可信的卸載協(xié)作候選節(jié)點(diǎn)集，甄選最佳協(xié)作節(jié)點(diǎn)執(zhí)行卸載服務(wù).若節(jié)點(diǎn)行為信任低于中性值γ，則生成一組測(cè)試任務(wù)集由該節(jié)點(diǎn)執(zhí)行，實(shí)施激勵(lì)，再次更新其行為信任.

圖5 卸載協(xié)作綜合評(píng)價(jià)模型

2.2.1 資源信任評(píng)價(jià)模型

邊緣計(jì)算中資源的合理利用有利于邊緣計(jì)算任務(wù)卸載協(xié)同服務(wù)的良性運(yùn)行.設(shè)節(jié)點(diǎn)最大負(fù)載率為ρ，計(jì)算節(jié)點(diǎn)i執(zhí)行任務(wù)r的資源信任度Tires：

其中，Ci和Mi表示節(jié)點(diǎn)i可提供的計(jì)算和存儲(chǔ)資源，ci和mi表示節(jié)點(diǎn)i的當(dāng)前剩余計(jì)算和存儲(chǔ)資源，cr和mr表示任務(wù)r執(zhí)行所需的計(jì)算和存儲(chǔ)資源.Tires值大于(1-ρ)2時(shí)，節(jié)點(diǎn)i可供資源消耗殆盡，出現(xiàn)過(guò)載現(xiàn)象.

為避免擁塞、抖動(dòng)等影響網(wǎng)絡(luò)穩(wěn)定性，任務(wù)的卸載與執(zhí)行在同一觀察期內(nèi)完成.設(shè)節(jié)點(diǎn)i在線時(shí)長(zhǎng)為tion，計(jì)算執(zhí)行任務(wù)r后的剩余在線時(shí)長(zhǎng)tirem：

模型約束條件為：

其中，tcyc表示觀察期時(shí)長(zhǎng)，aexei表示節(jié)點(diǎn)i計(jì)算能力，tspei表示觀察期內(nèi)執(zhí)行任務(wù)r前的已耗時(shí)間.

2.2.2 行為信任評(píng)價(jià)模型

邊緣計(jì)算簇內(nèi)，以節(jié)點(diǎn)的任務(wù)執(zhí)行效率和成功率為約束，構(gòu)建節(jié)點(diǎn)行為信任模型.

E N節(jié)點(diǎn)j的任務(wù)執(zhí)行效率Tjab計(jì)算公式如下：

已知第s觀察期內(nèi)，簇內(nèi)節(jié)點(diǎn)j接受的任務(wù)數(shù)為接受且成功執(zhí)行的任務(wù)數(shù)為nsijuc(s)，任務(wù)執(zhí)行成功率psijuc(s)計(jì)算公式如下：

如式（10），當(dāng)節(jié)點(diǎn)在觀察期內(nèi)未接受任務(wù)時(shí)，賦予節(jié)點(diǎn)中性值0.5.

為抑制簇內(nèi)EN節(jié)點(diǎn)不良行為，激勵(lì)節(jié)點(diǎn)誠(chéng)信服務(wù)，設(shè)置節(jié)點(diǎn)卸載協(xié)作行為獎(jiǎng)懲算子φ2［10］：

計(jì)算第s觀察期內(nèi)節(jié)點(diǎn)j的任務(wù)執(zhí)行信任

其中，ω表示任務(wù)執(zhí)行成功率所占權(quán)重，(s)表示第s觀察期內(nèi)節(jié)點(diǎn)i向節(jié)點(diǎn)j卸載的任務(wù)數(shù).

結(jié)合節(jié)點(diǎn)任務(wù)執(zhí)行效率和執(zhí)行信任，計(jì)算第s觀察期內(nèi)節(jié)點(diǎn)j的行為信任Tiejxe-r(s)：

引入歷史信任遺忘函數(shù)，計(jì)算經(jīng)過(guò)s個(gè)觀察周期后，節(jié)點(diǎn)i對(duì)節(jié)點(diǎn)j的行為信任Tiejxe(s)：

2.2.3 綜合信任決策模型

綜合資源信任和行為信任，構(gòu)建卸載協(xié)作信任Ticjoop：

由式（15）求得EN節(jié)點(diǎn)卸載協(xié)作信任，篩選得到卸載協(xié)作候選節(jié)點(diǎn)集Xico={1，2，…，ni}.將卸載協(xié)作節(jié)點(diǎn)擇優(yōu)問(wèn)題轉(zhuǎn)化為卸載協(xié)作信任最大化的目標(biāo)優(yōu)化問(wèn)題，以節(jié)點(diǎn)集Xico為解空間，設(shè)計(jì)PS-SDP算法求解.

由式（8）、式（15）得到SN節(jié)點(diǎn)i中任務(wù)r的卸載協(xié)作節(jié)點(diǎn)尋優(yōu)目標(biāo)及約束條件如下：

PS-SDP算法利用粒子群優(yōu)化（Particle Swarm Optimization，PSO）算法［12］求解最佳協(xié)作節(jié)點(diǎn).每一個(gè)粒子代表解空間中協(xié)作節(jié)點(diǎn)尋優(yōu)的一個(gè)的潛在解，學(xué)習(xí)自身和其他成員經(jīng)驗(yàn)以適應(yīng)自身搜索模式.飛行速度受個(gè)體最佳信任節(jié)點(diǎn)和群體最佳信任節(jié)點(diǎn)xgb影響，粒子l在搜索空間的飛行速度νl和候選節(jié)點(diǎn)xl∈Xcoi更新公式如下：

其中，ξ在（0，1）范圍內(nèi)隨機(jī)取值，νl(τ)和xl(τ)分別表示粒子l經(jīng)τ次迭代更新后的速度和候選節(jié)點(diǎn)，(τ)和xgb(τ)分別表示τ次迭代后粒子l和整個(gè)粒子群的最佳信任節(jié)點(diǎn)，c1和c2表示粒子自身和群體的學(xué)習(xí)因子，w表示慣性因子，wmax和wmin分別表示慣性因子最大和最小值，G為算法最大迭代次數(shù).

為抑制算法尋優(yōu)陷入局部最優(yōu)，融合布谷鳥(niǎo)搜索算 法［13］（Cuckoo Search，CS），引 入 搜 索 發(fā) 現(xiàn) 概 率p∈[0，1]，實(shí)現(xiàn)解域概率取值，以規(guī)避局部最優(yōu)，使求解結(jié)果趨于全局最優(yōu)，獲取任務(wù)卸載的最佳協(xié)作節(jié)點(diǎn)，其算法流程如圖6所示.設(shè)置任務(wù)最大拒絕次數(shù)，避免任務(wù)多次卸載被拒產(chǎn)生過(guò)多延遲開(kāi)銷，利用PS-SDP算法尋找最佳協(xié)作節(jié)點(diǎn)獲得卸載服務(wù).

圖6 簇內(nèi)協(xié)作節(jié)點(diǎn)尋優(yōu)流程

2.3 任務(wù)卸載策略建模

任務(wù)卸載協(xié)同服務(wù)工作原理：邊緣計(jì)算簇中，SN節(jié)點(diǎn)收到任務(wù)卸載請(qǐng)求時(shí)，啟動(dòng)任務(wù)過(guò)濾機(jī)制，依據(jù)任務(wù)真實(shí)特征信息，計(jì)算任務(wù)卸載源節(jié)點(diǎn)的卸載請(qǐng)求信任，識(shí)別節(jié)點(diǎn)合作性，過(guò)濾非合作節(jié)點(diǎn)的虛假任務(wù)；啟動(dòng)卸載服務(wù)決策機(jī)制，依據(jù)簇內(nèi)EN節(jié)點(diǎn)卸載協(xié)作信任，構(gòu)建可信的卸載協(xié)作候選節(jié)點(diǎn)集，應(yīng)用PS-SDP算法遴選最佳協(xié)作節(jié)點(diǎn)，并發(fā)起卸載請(qǐng)求，完成卸載協(xié)同服務(wù).在基于卸載請(qǐng)求行為評(píng)價(jià)模型的任務(wù)過(guò)濾機(jī)制和基于卸載協(xié)作綜合評(píng)價(jià)模型的卸載服務(wù)決策機(jī)制中，SN節(jié)點(diǎn)的狀態(tài)變化及服務(wù)流程如下.

（1）根據(jù)式（5），將SN節(jié)點(diǎn)的任務(wù)過(guò)濾形式化描述為Dreq={Q1，Γ1，δ1，q11，F(xiàn)1}的狀態(tài)圖，如圖7所示，其中，Q1={q11，q12，q13，q14，q15，q16，q17，q18，q19}為 有 窮 狀態(tài)集，任務(wù)狀態(tài)描述如表1所示.Γ1為狀態(tài)轉(zhuǎn)移條件產(chǎn)生式；δ1為狀態(tài)轉(zhuǎn)移函數(shù)，Q1×Γ1=Q1；q11∈Q1，為起始狀態(tài)；F1?Q1，為結(jié)束狀態(tài)集，F(xiàn)1={q19}.

圖7 SN節(jié)點(diǎn)任務(wù)過(guò)濾狀態(tài)圖

表1 節(jié)點(diǎn)任務(wù)過(guò)濾狀態(tài)說(shuō)明

流程1任務(wù)過(guò)濾

Step1：設(shè)置SN節(jié)點(diǎn)i卸載請(qǐng)求信任閾值.

Step2：等待并收到節(jié)點(diǎn)j的任務(wù)卸載請(qǐng)求，判定SN節(jié)點(diǎn)i與任務(wù)卸載源節(jié)點(diǎn)j的合作關(guān)系.若＜則節(jié)點(diǎn)j為非合作節(jié)點(diǎn)，節(jié)點(diǎn)i拒絕節(jié)點(diǎn)j的任務(wù)卸載請(qǐng)求，轉(zhuǎn)Step4.否則執(zhí)行任務(wù)卸載服務(wù).

Step3：?jiǎn)?dòng)卸載服務(wù)決策機(jī)制，遴選最佳協(xié)作節(jié)點(diǎn).協(xié)作節(jié)點(diǎn)執(zhí)行任務(wù)并反饋任務(wù)真實(shí)性，SN節(jié)點(diǎn)依據(jù)反饋結(jié)果更新任務(wù)真實(shí)特征信息.

Step4：卸載請(qǐng)求信任更新.若觀察期結(jié)束，根據(jù)任務(wù)真實(shí)特征信息，結(jié)合歷史信任關(guān)系，更新各SN節(jié)點(diǎn)的卸載請(qǐng)求信任.

Step5：測(cè)試是否結(jié)束？是，結(jié)束；否則，轉(zhuǎn)Step2.

（2）根據(jù)式（15）、式（16），將SN節(jié)點(diǎn)的卸載服務(wù)決策形式化描述為Dcoop={Q2，Γ2，δ2，q21，F(xiàn)2}的狀態(tài)圖，如圖8所示.其中，Q2={q21，q22，q23，q24，q25，q26，q27，q28，q29}為有窮狀態(tài)集，任務(wù)狀態(tài)描述如表2所示.Γ2為狀態(tài)轉(zhuǎn)移條件產(chǎn)生式；δ2為狀態(tài)轉(zhuǎn)移函數(shù)，Q2×Γ2=Q2；q21∈Q2，為起始狀態(tài)；F2?Q2，為結(jié)束狀態(tài)集，F(xiàn)2={q29}.

表2 節(jié)點(diǎn)卸載服務(wù)決策狀態(tài)說(shuō)明

圖8 SN節(jié)點(diǎn)卸載協(xié)作狀態(tài)圖

流程2卸載服務(wù)決策

Step1：設(shè)置SN節(jié)點(diǎn)i卸載協(xié)作信任閾值和任務(wù)最大拒絕次數(shù).

Ste p2：根據(jù)資源特征信息，更新EN節(jié)點(diǎn)資源信任，聯(lián)合行為信任計(jì)算卸載協(xié)作信任(s)；判定節(jié)點(diǎn)信任關(guān)系，若(s)≥(i≤m，j≤n)，則EN節(jié)點(diǎn)j協(xié)同服務(wù)可信，劃入卸載協(xié)作候選節(jié)點(diǎn)集.

Step4：與協(xié)作節(jié)點(diǎn)卸載協(xié)商并更新節(jié)點(diǎn)行為特征信息，若請(qǐng)求接受，完成任務(wù)卸載；否則，轉(zhuǎn)Step3.

Step5：若觀察期結(jié)束，根據(jù)行為特征信息和歷史信任關(guān)系，更新簇內(nèi)EN節(jié)點(diǎn)行為信任.

Step6：測(cè)試是否結(jié)束？是，結(jié)束；否則，轉(zhuǎn)Step2.

綜合任務(wù)過(guò)濾和卸載服務(wù)決策機(jī)制，邊緣計(jì)算簇協(xié)同服務(wù)過(guò)程如圖9所示.

流程3任務(wù)卸載協(xié)同服務(wù)過(guò)程

Step1：SN節(jié)點(diǎn)等待并收到任務(wù)卸載請(qǐng)求，創(chuàng)建任務(wù)特征數(shù)據(jù)庫(kù).

Step2：根據(jù)任務(wù)真實(shí)特征數(shù)據(jù)，更新任務(wù)卸載源節(jié)點(diǎn)的合作關(guān)系數(shù)據(jù)，識(shí)別、過(guò)濾非合作節(jié)點(diǎn)的虛假任務(wù).

Step3：根據(jù)任務(wù)和節(jié)點(diǎn)特征數(shù)據(jù)，計(jì)算簇內(nèi)EN節(jié)點(diǎn)資源信任，結(jié)合行為信任數(shù)據(jù)，更新節(jié)點(diǎn)卸載協(xié)作信任數(shù)據(jù)庫(kù)，構(gòu)建卸載協(xié)作候選節(jié)點(diǎn)集.

Step4：運(yùn)用PS-SDP算法，以卸載協(xié)作信任最大化為目標(biāo)，遴選最佳協(xié)作節(jié)點(diǎn)并發(fā)起卸載請(qǐng)求.

Step5：簇內(nèi)EN節(jié)點(diǎn)執(zhí)行卸載協(xié)同服務(wù)并返回服務(wù)結(jié)果，將任務(wù)真實(shí)特征信息反饋給SN節(jié)點(diǎn)，更新任務(wù)和節(jié)點(diǎn)特征數(shù)據(jù)庫(kù).

Step6：根據(jù)任務(wù)和節(jié)點(diǎn)特征數(shù)據(jù)，更新SN節(jié)點(diǎn)的卸載請(qǐng)求信任、簇內(nèi)EN節(jié)點(diǎn)的行為信任數(shù)據(jù).

將任務(wù)的一次卸載協(xié)同服務(wù)過(guò)程形式化描述為DTOCTE=(Q，Γ，δ，q1，F(xiàn))狀態(tài)圖，如圖10所示，其中，Q={q1，q2，q3，q4，q5，q6，q7，q8，q9，q10}為有窮狀態(tài)集，任務(wù)狀態(tài)描述如表3所示.Γ為狀態(tài)轉(zhuǎn)移條件產(chǎn)生式；δ為狀態(tài)轉(zhuǎn)移函數(shù)，Q×?！鶴；q1∈Q，為起始狀態(tài)；F?Q，為結(jié)束狀態(tài)集，F(xiàn)={q10}.

圖10 任務(wù)卸載執(zhí)行狀態(tài)圖

表3 任務(wù)狀態(tài)說(shuō)明

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)設(shè)置

以云服務(wù)器為根節(jié)點(diǎn)，基站或邊緣服務(wù)器為SN節(jié)點(diǎn)，智能終端設(shè)備為EN節(jié)點(diǎn)，SN節(jié)點(diǎn)與根節(jié)點(diǎn)構(gòu)建云邊協(xié)同骨干網(wǎng)絡(luò)，SN節(jié)點(diǎn)與EN節(jié)點(diǎn)構(gòu)建邊緣計(jì)算網(wǎng)絡(luò).作如下假設(shè)：

（1）在邊緣計(jì)算網(wǎng)絡(luò)中，SN節(jié)點(diǎn)聚合EN節(jié)點(diǎn)構(gòu)建邊緣計(jì)算簇，每個(gè)簇包含1個(gè)SN節(jié)點(diǎn)，簇規(guī)模一致，仿真實(shí)驗(yàn)網(wǎng)絡(luò)環(huán)境設(shè)置如表4所示.

表4 網(wǎng)絡(luò)環(huán)境設(shè)置

（2）邊緣計(jì)算中存在30%的SN節(jié)點(diǎn)為非合作節(jié)點(diǎn)；單位時(shí)間片內(nèi)卸載請(qǐng)求任務(wù)數(shù)遵循泊松分布；同一時(shí)間片相鄰任務(wù)間的服務(wù)等待和節(jié)點(diǎn)卸載協(xié)商產(chǎn)生的時(shí)間開(kāi)銷忽略不計(jì).

（3）邊緣計(jì)算簇內(nèi)，可靠、激勵(lì)和不良三類EN節(jié)點(diǎn)數(shù)目比例為6：2：2；任務(wù)可在EN節(jié)點(diǎn)堆積，但均在觀察期內(nèi)完成，不滯留至下一觀察期.

（4）模型中隨機(jī)參數(shù)取值服從正態(tài)分布，具體參數(shù)設(shè)置見(jiàn)表5.

表5 參數(shù)設(shè)置

3.2 評(píng)價(jià)指標(biāo)

為驗(yàn)證卸載策略的性能效用，分別對(duì)簇間卸載、簇內(nèi)卸載的信任評(píng)價(jià)模型以及策略的卸載綜合效用的性能指標(biāo)加以描述，如表6所示.

表6 性能評(píng)價(jià)指標(biāo)

3.3 實(shí)驗(yàn)分析

為檢驗(yàn)TOCTE策略的卸載協(xié)同服務(wù)優(yōu)化效果，分別從卸載請(qǐng)求行為評(píng)價(jià)模型性能、卸載協(xié)作綜合評(píng)價(jià)模型性能以及卸載綜合效用，分析TOCTE策略的虛假任務(wù)過(guò)濾有效性和卸載服務(wù)可靠性.

3.3.1 卸載請(qǐng)求行為評(píng)價(jià)模型

為測(cè)試TOCTE策略中卸載請(qǐng)求行為評(píng)價(jià)模型的性能效用，根據(jù)非合作節(jié)點(diǎn)識(shí)別率和識(shí)別準(zhǔn)確率、卸載請(qǐng)求拒絕率和拒絕準(zhǔn)確率、資源有效利用率等指標(biāo)，在測(cè)試組3的網(wǎng)絡(luò)環(huán)境下，將TOCTE策略中的任務(wù)過(guò)濾機(jī)制與任務(wù)隨機(jī)接受（random accept）策略［14］對(duì)比分析.

圖11～圖13分別描述了TOCTE策略的卸載請(qǐng)求行為評(píng)價(jià)模型的不同信任閾值，對(duì)于邊緣計(jì)算簇的非合作節(jié)點(diǎn)識(shí)別、虛假任務(wù)過(guò)濾和資源利用的影響.從圖中發(fā)現(xiàn)，隨著SN節(jié)點(diǎn)信任閾值的增大，邊緣計(jì)算中的非合作節(jié)點(diǎn)逐漸被識(shí)別出來(lái)，非合作節(jié)點(diǎn)識(shí)別率、卸載請(qǐng)求拒絕率和資源有效利用率提高；信任閾值小于0.4時(shí)，非合作節(jié)點(diǎn)識(shí)別和任務(wù)卸載請(qǐng)求拒絕準(zhǔn)確率均為100%；大于0.4時(shí)，信任度較低的合作節(jié)點(diǎn)無(wú)法滿足信任需求，被誤判為非合作節(jié)點(diǎn)，準(zhǔn)確率開(kāi)始降低；卸載請(qǐng)求信任閾值為0.5時(shí)，任務(wù)過(guò)濾效果最佳，非合作節(jié)點(diǎn)識(shí)別率達(dá)到28%，識(shí)別準(zhǔn)確率最低為95.83%，卸載請(qǐng)求拒絕率達(dá)到32.84%，拒絕準(zhǔn)確率最低為88.36%，資源有效利用率最高達(dá)到81.52%.

圖11 不同信任閾值下非合作節(jié)點(diǎn)識(shí)別情況

圖13 不同信任閾值下資源 有效利用率

由于Random Accept策略在SN節(jié)點(diǎn)接收到任務(wù)卸載請(qǐng)求后，不考慮任務(wù)來(lái)源可靠性，隨機(jī)接受該請(qǐng)求，不具有非合作節(jié)點(diǎn)識(shí)別能力.圖14描述了最佳信任閾值下，TOCTE策略與Random Accept策略對(duì)于資源有效利用率的影響.從圖中發(fā)現(xiàn)，Random Accept策略的資源有效利用率在水平線上下波動(dòng)，TOCTE策略資源有效利用率逐漸提高并最終趨于穩(wěn)定，平均資源有效利用率為78.60%，較Random Accept策略提高9.48%.

圖12 不同信任閾值下虛假任務(wù)過(guò)濾情況

圖14 不同策略下資源有效利用率變化

圖15～17分別描述了不同網(wǎng)絡(luò)規(guī)模下，TOCTE策略的卸載請(qǐng)求行為評(píng)價(jià)模型對(duì)于邊緣計(jì)算中非合作節(jié)點(diǎn)識(shí)別、虛假任務(wù)過(guò)濾和資源利用的影響.從圖中發(fā)現(xiàn)，邊緣計(jì)算中邊緣計(jì)算簇?cái)?shù)目越多，非合作節(jié)點(diǎn)識(shí)別率和卸載請(qǐng)求拒絕率越高；邊緣計(jì)算簇?cái)?shù)小于70時(shí)，非合作節(jié)點(diǎn)識(shí)別準(zhǔn)確率和任務(wù)卸載請(qǐng)求拒絕準(zhǔn)確率均為100%，大于70時(shí)，隨網(wǎng)絡(luò)規(guī)模的增大，邊緣計(jì)算環(huán)境愈加復(fù)雜，準(zhǔn)確率和資源有效利用率降低.邊緣計(jì)算簇?cái)?shù)為70時(shí)，策略的任務(wù)過(guò)濾效果最佳，非合作節(jié)點(diǎn)識(shí)別率達(dá)到22.86%，卸載請(qǐng)求拒絕率達(dá)到22.93%，非合作節(jié)點(diǎn)識(shí)別和卸載請(qǐng)求拒絕準(zhǔn)確率均為100%，資源有效利用率達(dá)到82.34%.

圖15 不同網(wǎng)絡(luò)規(guī)模下非合作節(jié)點(diǎn)識(shí)別情況

綜上所述，TOCTE策略不僅能有效識(shí)別并攔截非合作節(jié)點(diǎn)的不良行為，保證任務(wù)來(lái)源的可靠性，同時(shí)提高了資源的有效利用.

圖16 不同網(wǎng)絡(luò)規(guī)模下虛假任務(wù)過(guò)濾情況

3.3.2 卸載協(xié)作綜合評(píng)價(jià)模型

圖17 不同網(wǎng)絡(luò)規(guī)模下資源有效利用率

為測(cè)試TOCTE策略中卸載協(xié)作綜合評(píng)價(jià)模型的性能效用，在測(cè)試組3的網(wǎng)絡(luò)環(huán)境下構(gòu)建任務(wù)趨優(yōu)卸載（Task Optimal Offloading，TOO）策略，將邊緣計(jì)算簇下的EN節(jié)點(diǎn)以信任（以任務(wù)執(zhí)行成功率表示）劃分節(jié)點(diǎn)集，如表7所示.設(shè)置每個(gè)節(jié)點(diǎn)集任務(wù)最大卸載次數(shù)，在滿足任務(wù)需求的條件下，將任務(wù)優(yōu)先卸載至優(yōu)節(jié)點(diǎn)集中的節(jié)點(diǎn)，若任務(wù)卸載次數(shù)超過(guò)該節(jié)點(diǎn)集的最大卸載次數(shù)，則考慮良節(jié)點(diǎn)集中的節(jié)點(diǎn)，以此類推，直至找到協(xié)作節(jié)點(diǎn)執(zhí)行卸載服務(wù).若四類節(jié)點(diǎn)集均被搜索但仍未找到協(xié)作節(jié)點(diǎn)，則將任務(wù)卸載至其他簇.

表7 節(jié)點(diǎn)集劃分

根據(jù)邊緣計(jì)算簇在線時(shí)長(zhǎng)、任務(wù)執(zhí)行失敗率和卸載率等指標(biāo)，將TOCTE策略與基于Random Walk［14］、按需路由協(xié)議（Ad hoc On-Demand Distance Vector Routing，AODV）［15］的隨機(jī)卸載策略和TOO策略對(duì)比分析，設(shè)置實(shí)驗(yàn)對(duì)照.

（1）Random Walk策略：隨機(jī)選擇EN節(jié)點(diǎn)卸載，并由EN節(jié)點(diǎn)判斷自身資源是否滿足任務(wù)需求.

（2）AODV策略：滿足任務(wù)需求情況下，隨機(jī)選擇EN節(jié)點(diǎn)卸載.

（3）TOO策略：滿足任務(wù)需求情況下，趨優(yōu)選擇EN節(jié)點(diǎn)卸載.

圖18描述了TOCTE策略的卸載協(xié)作綜合評(píng)價(jià)模型的不同信任閾值，對(duì)于邊緣計(jì)算簇在線時(shí)長(zhǎng)和任務(wù)卸載率的影響.從圖中發(fā)現(xiàn)，隨信任閾值的增大，簇內(nèi)可信協(xié)作節(jié)點(diǎn)和執(zhí)行任務(wù)數(shù)減少，在線時(shí)長(zhǎng)和任務(wù)卸載率逐漸提升；信任閾值為0.6時(shí)，信任閾值過(guò)高導(dǎo)致SN節(jié)點(diǎn)未找到協(xié)作節(jié)點(diǎn)，任務(wù)均向其他簇卸載，在線時(shí)長(zhǎng)和卸載率保持18299.83 s和100%不變，該簇不再具備存在價(jià)值，同時(shí)增加了其他簇的計(jì)算負(fù)載和任務(wù)延遲開(kāi)銷.

圖18 不同的信任閾值對(duì)比分析

為了延長(zhǎng)邊緣計(jì)算簇在線時(shí)長(zhǎng)的同時(shí)，提供高效卸載服務(wù)，應(yīng)合理設(shè)置卸載協(xié)作信任閾值.

圖19和表8呈 現(xiàn)了Random Walk策 略、AODV策略、TOO策略和TOCTE策略，對(duì)于邊緣計(jì)算簇在線時(shí)長(zhǎng)、任務(wù)卸載率、任務(wù)執(zhí)行失敗率、任務(wù)拒絕次數(shù)和決策時(shí)長(zhǎng)的影響.從圖表中發(fā)現(xiàn)，與其他三種策略相比，TOCTE策略以決策時(shí)長(zhǎng)和任務(wù)向簇外卸載為代價(jià)，有效延長(zhǎng)了147.49%、146.65%和156.76%在線時(shí)長(zhǎng)，降低了33.84%、33.84%和29.26%任務(wù)執(zhí)行失敗率；節(jié)點(diǎn)間卸載協(xié)商產(chǎn)生的時(shí)間開(kāi)銷由任務(wù)拒絕次數(shù)衡量，TOCTE策略將平均拒絕次數(shù)減少至831次，與其他三種策略相比，分別減少了35.48%、21.53%和52.92%，有效降低了任務(wù)多次卸載決策產(chǎn)生的時(shí)間開(kāi)銷.

圖19 卸載策略對(duì)比

表8 卸載策略效果對(duì)比

為檢驗(yàn)TOCTE策略下，不同協(xié)作節(jié)點(diǎn)尋優(yōu)算法對(duì)卸載決策的優(yōu)化效果，將PS-SDP算法與PSO算法［12］、CS算法［13］和基于模擬退火Metropolis準(zhǔn)則的粒子群（Particle Swarm based on Simulated Annealing Metropolis Criterion，PS-SA）算法［12，16］進(jìn)行對(duì)比分析.設(shè)置實(shí)驗(yàn)對(duì)照組.

（1）PSO算法：解空間以粒子群的形式存在，協(xié)作和信息共享的方式尋找最佳協(xié)作節(jié)點(diǎn).

（2）CS算法：解空間以寄主巢群的形式存在，Lévy flights搜索方式尋找最佳協(xié)作節(jié)點(diǎn).

（3）PS-SA算法：解空間以粒子群的形式存在，協(xié)作和信息共享的方式尋找最佳協(xié)作節(jié)點(diǎn)，并利用模擬退火的Metropolis準(zhǔn)則確定粒子候選節(jié)點(diǎn).

圖20和表9呈現(xiàn)了不同協(xié)作節(jié)點(diǎn)尋優(yōu)算法，對(duì)于激勵(lì)和可靠節(jié)點(diǎn)行為信任變化、任務(wù)執(zhí)行失敗率變化、卸載決策時(shí)長(zhǎng)的影響.從圖表中發(fā)現(xiàn)，相較于其他三種尋優(yōu)算法，PS-SDP算法在激勵(lì)節(jié)點(diǎn)和可靠節(jié)點(diǎn)行為信任變化上收斂速度更快、信任度更高，穩(wěn)定狀態(tài)下平均信任度分別達(dá)到0.766和0.693；從時(shí)間復(fù)雜度分析，PSSDP算法以搜索發(fā)現(xiàn)概率接受新解，增加一定的時(shí)間復(fù)雜度，但僅次于PSO算法；從任務(wù)執(zhí)行失敗率分析，PSSDP算法平均執(zhí)行失敗率達(dá)到23.98%，與其他算法比，分別降低了0.99%、0.62%、0.27%，任務(wù)卸載服務(wù)質(zhì)量較優(yōu).

表9 協(xié)作節(jié)點(diǎn)尋優(yōu)算法決策時(shí)長(zhǎng)對(duì)比 s

圖20 協(xié)作節(jié)點(diǎn)尋優(yōu)算法對(duì)比

對(duì)于卸載可靠性要求較高的計(jì)算任務(wù)，以PS-SDP算法尋找協(xié)作節(jié)點(diǎn)，卸載服務(wù)更為可靠.

3.3.3 卸載綜合效用

為檢驗(yàn)TOCTE策略的卸載綜合效用，根據(jù)邊緣計(jì)算簇真實(shí)任務(wù)執(zhí)行成功率和資源損耗率，在測(cè)試組3的網(wǎng)絡(luò)環(huán)境下，將TOCTE策略與AODV策略、TOO策略、任務(wù)可信卸載（Task Credible Offloading，TCO）策略、基于任務(wù)可信的任務(wù)趨優(yōu)卸載（Task Optimal Offloading based on Task Credible，TOO-TC）策略和協(xié)作節(jié)點(diǎn)可信卸載（Cooperative Node Credible Offloading，CNCO）策略對(duì)比分析，設(shè)置實(shí)驗(yàn)對(duì)照組.

（1）AODV隨機(jī)卸載策略：SN節(jié)點(diǎn)直接接受任務(wù)卸載請(qǐng)求，基于AODV隨機(jī)選擇EN節(jié)點(diǎn)執(zhí)行卸載服務(wù).

（2）TOO策略：SN節(jié)點(diǎn)直接接受任務(wù)卸載請(qǐng)求，趨優(yōu)選擇EN節(jié)點(diǎn)執(zhí)行卸載服務(wù).

（3）TCO策略：SN節(jié)點(diǎn)利用卸載請(qǐng)求行為評(píng)價(jià)模型評(píng)估源節(jié)點(diǎn)的卸載請(qǐng)求行為，過(guò)濾虛假任務(wù)，隨機(jī)選擇EN節(jié)點(diǎn)執(zhí)行卸載服務(wù).

（4）TOO-TC策略：SN節(jié)點(diǎn)利用卸載請(qǐng)求行為評(píng)價(jià)模型評(píng)估任務(wù)卸載源節(jié)點(diǎn)的卸載請(qǐng)求行為，過(guò)濾虛假任務(wù)，趨優(yōu)選擇EN節(jié)點(diǎn)執(zhí)行卸載服務(wù).

（5）CNCO策略：SN節(jié)點(diǎn)直接接受任務(wù)卸載請(qǐng)求，利用卸載協(xié)作綜合評(píng)價(jià)模型評(píng)估EN節(jié)點(diǎn)，遴選最佳協(xié)作節(jié)點(diǎn)執(zhí)行卸載服務(wù).

圖21、圖22和表10描述了不同卸載策略對(duì)于邊緣計(jì)算簇真實(shí)任務(wù)執(zhí)行成功率和資源損耗率的影響.從圖中發(fā)現(xiàn).

表10 不同策略卸載綜合性能對(duì)比

圖21 真實(shí)任務(wù)執(zhí)行成功率

圖22 資源損耗率

（1）由AODV和TCO策略、TOO和TOO-TC策略、CNCO和TOCTE策略兩兩對(duì)比，驗(yàn)證了基于卸載請(qǐng)求行為評(píng)價(jià)的任務(wù)過(guò)濾機(jī)制對(duì)系統(tǒng)綜合性能優(yōu)化的有效性，分別提高了5.38%、5.95%和9.72%真實(shí)任務(wù)執(zhí)行成功率，降低了3.26%、5.13%和3.59%的資源損耗率.

（2）由AODV和CNCO策略、TCO和TOCTE策略的兩兩對(duì)比，驗(yàn)證了基于卸載協(xié)作綜合評(píng)價(jià)的卸載服務(wù)決策機(jī)制對(duì)系統(tǒng)綜合性能優(yōu)化的有效性，分別提高了20.64%和24.98%真實(shí)任務(wù)執(zhí)行成功率，降低了1.64%和1.97%資源損耗率.

（3）TOCTE策略的真實(shí)任務(wù)執(zhí)行成功率最高為59.22%，平均達(dá)到55.52%，較AODV卸載策略高30.36%，較TOO策略高27.55%；資源損耗率最低為6.35%，平均達(dá)到7.53%，較AODV策略低5.23%，較TOO策略低7.93%.

實(shí)驗(yàn)結(jié)果表明，TOCTE策略模型通過(guò)基于卸載請(qǐng)求行為評(píng)價(jià)的任務(wù)過(guò)濾和基于卸載協(xié)作綜合評(píng)價(jià)的卸載決策，在任務(wù)執(zhí)行和資源利用方面明顯優(yōu)于其他對(duì)比模型，有效提高了邊緣計(jì)算簇真實(shí)任務(wù)執(zhí)行成功率，降低網(wǎng)絡(luò)資源損耗.

4 結(jié)束語(yǔ)

針對(duì)邊緣計(jì)算任務(wù)卸載中任務(wù)請(qǐng)求者和資源提供者的可信問(wèn)題，設(shè)計(jì)了一種基于綜合信任評(píng)價(jià)的任務(wù)卸載策略，建立節(jié)點(diǎn)信任遺忘函數(shù)和節(jié)點(diǎn)行為獎(jiǎng)懲算子，構(gòu)建信任評(píng)價(jià)機(jī)制，衡量節(jié)點(diǎn)行為可靠性.以提高資源利用和卸載服務(wù)質(zhì)量為目標(biāo)，在邊緣計(jì)算簇間實(shí)現(xiàn)基于卸載請(qǐng)求信任的虛假任務(wù)過(guò)濾，降低非合作節(jié)點(diǎn)不良行為對(duì)網(wǎng)絡(luò)性能的影響；設(shè)計(jì)卸載協(xié)作信任模型，將邊緣計(jì)算簇內(nèi)的卸載協(xié)作節(jié)點(diǎn)擇優(yōu)問(wèn)題轉(zhuǎn)化為卸載協(xié)作信任最大化問(wèn)題，以基于搜索發(fā)現(xiàn)概率的粒子群算法尋找協(xié)作節(jié)點(diǎn)，實(shí)現(xiàn)邊緣計(jì)算的任務(wù)可靠卸載.仿真結(jié)果表明，所提策略不僅解決了任務(wù)來(lái)源可信問(wèn)題，同時(shí)保證了邊緣節(jié)點(diǎn)的卸載協(xié)同服務(wù)質(zhì)量.

由于智能終端設(shè)備資源有限，任務(wù)卸載決策存在一定的延遲和能源開(kāi)銷，遷移、強(qiáng)化學(xué)習(xí)等方法可有效提高卸載決策效率，但終端訓(xùn)練模型將產(chǎn)生大量能耗，需將學(xué)習(xí)模型部署在邊緣服務(wù)器，通過(guò)模型裁剪、感知壓縮等方法下推模型，實(shí)現(xiàn)任務(wù)的高效卸載、精準(zhǔn)預(yù)測(cè).在下一步工作中，我們將研究邊緣計(jì)算的智能卸載和模型下推等問(wèn)題.