一种基于SDN和边缘计算的物联网隐私保护服务发现系统

本发明涉及物联网技术领域，尤其涉及一种基于sdn和边缘计算的物联网隐私保护服务发现系统。

背景技术：

在物联网场景中，许多异构实体和智能设备在射频识别、无线传感器网络和其他技术支持下互相连接，传输有关各种物理环境的大量数据。在无处不在的部署设备的帮助下，物联网服务和应用正在迅速增长，几乎涵盖了我们生活的每一个方面（例如医疗保健、智能家居、工业等）。随着时间的推移，随着智能设备的快速持续增长，将向用户提供越来越多的服务。

周围传感器检测到的最终用户的上下文信息在提供个人服务方面起着至关重要的作用。服务发现系统作为物联网生态系统的重要组成部分，利用用户的上下文从候选服务中发现相应的服务，而不是漫无目的地检索多个服务。服务发现可以应用于智能家居自动化、工业自动化、交通等多种场景，改善人们的生活。

然而，不同用户的高度异构特性以及物联网中许多服务提供商提供的服务数量的不断扩大，极大地影响了实时服务。为了更好地满足个人的需求，用户的上下文（例如位置、时间等）在物联网场景中被广泛使用，这引起了隐私问题。同时，许多用户在每一轮都有几个不同的服务需求，因此服务选择应该是组合的。

技术实现要素：

本发明针对现有技术中存在的技术问题，提供一种基于sdn和边缘计算的物联网隐私保护服务发现系统，解决现有技术中问题。

本发明解决上述技术问题的技术方案如下：一种基于sdn和边缘计算的物联网隐私保护服务发现系统，包括：en、sdn控制器和服务模型；

所述en和所述sdn控制器部署在mec网络中；所述sdn控制器用于控制各个所述en作为合作学习者在mec网络中缓存和处理信息；

所述服务模型包括上下文空间模型和物联网服务空间模型；

所述上下文空间模型对预处理后的上下文记录进行上下文空间分区，以挖掘获得类似的上下文记录；

所述物联网服务空间模型通过服务历史树和服务发现树覆盖总服务空间，所述服务历史树和服务发现树为无限二叉树，每个树节点对应于总服务空间中的服务集群；所述服务历史树存储所有历史性物联网服务记录，并标记所述总服务空间分区状态；所述服务发现树根据所述服务历史树和上下文空间构建并刷新，用于发现适合当前用户的物联网服务集群，以选择最佳的个性化服务推荐给所述用户。

本发明的有益效果是：本发明提出了一种支持mec的上下文感知在线算法，用于服务发现，支持iot中的大规模服务，数值结果表明，与其他上下文感知在线算法相比，该方法性能良好，在服务发现的准确性和隐私保护水平之间取得了平衡。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，所述服务模型选择最佳的个性化服务推荐给所述用户的过程包括：

在所述mec网络中向ena注册了新的物联网服务时，将服务向量提取到所述物联网服务空间中，直至用户到达ena，接收用户的当前上下文向量，并在第t轮时在ena中进行预处理；其中，ena表示第a个en，上标a表示en的序号数，下标t表示第t轮；

所述上下文空间模型在上下文空间中找到其上下文子空间，以获取足够的物联网服务记录以供参考；

设置表示树节点（h，i）的奖励估计值b值，选择b值最高时对应的最优物联网集群；

为用户选择最优物联网集群中的物联网服务的集合中的，n为物联网服务的集合中物联网服务的总个数；

如果当前用户所选择的服务的数量不超过n，且是的子集，则在里随机推荐个服务给用户；否则，向用户推荐n个服务，并向相邻的en寻求帮助以推荐其他的-n个服务；

用户给出反馈后停止整个推荐流程。

进一步，所述上下文空间模型获得类似的上下文记录的过程包括：

将各个所述用户的上下文映射到一个维度上下文空间；在第t轮，用户具有一个上下文向量，将该上下文向量发送至所述上下文空间模型；

在每一轮中，通过挖掘用户的上下文信息来获取有效记录，以该有效记录作为选择服务类型的参考；

对所述上下文空间进行分区为多个上下文子空间，保证每个空间的上下文记录的最大数目不超过设定阈值；找到所述上下文向量所属的子空间，得到包含上下文相关信息的适当上下文空间，以获得类似的上下文记录。

进一步，所述奖励估计值b值的计算公式为：

；

其中，下标h,i表示树节点(h,i)；表示经验平均报酬，γ为平衡勘探和开发的参数；表示李普希茨常数，表示上下文空间的最大距离，表示树节点（h、i）的子集区域的直径的上限，infinity表示无穷大；

；

；

表示直到第t轮时在ena处选择树节点(h,i)的次数，表示ena及其单跳邻居的集合，为指示函数，n为总轮数。

进一步，树节点(h，i)的经验平均报酬为：

；

其中，为。

进一步，所述物联网服务空间模型中根据所述服务历史树和上下文空间刷新所述服务发现树并更新b值，包括：

对于，判断存在不超过设置的阈值的ena时，该ena向其相邻一跳的en寻求帮助，对于时的所有en，计算经验平均报酬为：；

计算和更新所述服务发现树的经验平均报酬后，计算并更新所述b值，将添加到所述服务发现树中。

进一步，所述服务模型还包括本地差分隐私机制，对用户的初始上下文向量进行上下文随机数据扰动处理，再通过损失函数计算该扰动处理对服务发现的影响。

进一步，所述本地差分隐私机制的计算公式为：

；

其中，为上下文向量经过所述本地差分隐私机制扰动操作后映射的集合；，，表示隐私因子；

所述损失函数为：。

进一步，所述服务模型选择最佳的个性化服务推荐给所述用户后，所述发现系统根据服务端奖励和用户端奖励计算总奖励值：

；

和为参数，且；

为从sdn控制器监视的各个en中获得的服务端奖励，为根据用户的执行时间、响应时间和可靠性确定的用户端奖励。

进一步，所述发现系统根据已完成的业务记录进行离线更新：

所述物联网服务空间模型中，对于所述服务历史树中的各个叶树节点，如果；则更新所述服务历史树：

；

更新b值：

；

所述上下文空间模型中，如果，则进一步划分上下文空间；

其中，表示上下文向量中的上下文数量，和表示设定阈值。

采用上述进一步方案的有益效果是：相对于传统的cmab算法只考虑在一轮中选择一个单独的arm，但是许多用户在一轮中有多个要求，因此不适用。本发明提出了一种本地差分隐私和支持mec的上下文感知在线算法，可以处理动态复杂的上下文问题，并在选择合适的arm后在开发和探索之间进行权衡，利用combinatorialcontextualmulti-armedbandit(cc-mab，组合上下文多臂预测算法)来选择一组arms，以满足用户每轮不同的服务需求。并且系统可以不断地在网上学习arms的奖励，随着用户上下文的到达，以最大限度地提高总奖励。

利用本地差分隐私(ldp)机制在用户层面而不是在服务发现系统层面保护用户的敏感信息，利用ldp与cc-mab相结合，引入随机噪声来干扰个体上下文，保证用户的隐私，实现了服务发现精度与本地隐私/个人信息效用之间的平衡。使用multi-armedbandit中的遗憾概念来衡量系统的准确性，遗憾概念被定义为最优服务与实际选择的服务的奖励之间的差距，次线性遗憾意味着我们的方法收敛于最优服务发现策略。引入了l2损失作为评估随机扰动期间隐私损失和数据效用的实用度量。我们从理论上证明了我们的算法可以实现次线性遗憾，确保为各个en和用户提供有希望的本地差分隐私，但不会对信息实用程序产生很大影响。

附图说明

图1为本发明实施例提供的一种基于sdn和边缘计算的物联网隐私保护服务发现系统的交互示意图；

图2为本发明实施例提供的一种上下文空间分区示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

mec（mobileedgecomputing，移动边缘计算）是基于5g演进的架构，并将移动接入网与互联网业务深度融合的一种技术。具有较低的延迟时间，以缓解网络拥塞，提高用户的体验质量。数据缓存和处理可以在各个en(edgenodeservice,边缘树节点)上执行，其中服务可以部署到具有实时响应的最终用户。此外，为了实现分布式各个en上具有高复杂度和逻辑控制的普适计算场景，可以利用mec网络中隐藏所有内部细节的sdn(softwaredefinednetwork，软件定义网络）来管理网络复杂性，将控制与数据平面分离，实现可编程控制，使sdn控制器能够获得整个网络的完整视图和集中控制，使其更加灵活可靠。此外，它还可以部署在mec网络中符合条件的各个en上，这被认为是有效提供计算资源和协调mec网络的一种很有前途的解决方案。因此，将支持sdn的mec与服务发现系统合作，为用户提供实时、低延迟的服务是有益的。

一种基于sdn和边缘计算的物联网隐私保护服务发现系统，其特征在于，所述发现系统包括：en、sdn控制器和服务模型。

所述en和所述sdn控制器部署在mec网络中；所述sdn控制器用于控制各个所述en作为合作学习者在mec网络中缓存和处理信息。

所述服务模型包括上下文空间模型和物联网服务空间模型。

所述上下文空间模型对预处理后的上下文信息进行上下文空间分区，以挖掘获得类似的上下文记录。

所述物联网服务空间模型通过服务历史树和服务发现树覆盖总服务空间，所述服务历史树和服务发现树为无限二叉树；所述服务历史树存储所有历史性物联网服务记录，并标记所述总服务空间分区状态；所述服务发现树根据所述服务历史树和上下文空间构建并刷新，用于发现适合当前用户的物联网服务集群，以选择最佳的个性化服务推荐给所述用户。

服务历史树存储直至t轮的所有历史性物联网服务记录，随着历史记录的增加，其中的树节点可以逐渐划分。可以基于为获取相似历史记录而选择的相似上下文空间刷新服务发现树，并包含服务历史树中的有用树节点。整个过程中只考虑服务历史树中包含服务发现树上下文相关记录的树节点，而不考虑整个服务历史树。选择特定的物联网服务集群，并且当树的深度增加时，分区将更精细。

实施例1

本发明提供的实施例1为本发明提供的一种基于sdn和边缘计算的物联网隐私保护服务发现系统的实施例，如图1所示为本发明实施例提供的一种基于sdn和边缘计算的物联网隐私保护服务发现系统的交互示意图，其特征在于，所述发现系统包括：en、sdn控制器和服务模型。

所述en和所述sdn控制器部署在mec网络中；所述sdn控制器用于控制各个所述en作为合作学习者在mec网络中缓存和处理信息。

所述服务模型包括上下文空间模型和物联网服务空间模型。

所述上下文空间模型对预处理后的上下文信息进行上下文空间分区，以挖掘获得类似的上下文记录。

所述物联网服务空间模型通过服务历史树和服务发现树覆盖总服务空间，所述服务历史树和服务发现树为无限二叉树；所述服务历史树存储所有历史性物联网服务记录，并标记所述总服务空间分区状态；所述服务发现树根据所述服务历史树和上下文空间构建并刷新，用于发现适合当前用户的物联网服务集群，以选择最佳的个性化服务推荐给所述用户。

优选的，该服务模型选择最佳的个性化服务推荐给所述用户的过程包括：

步骤1，在所述mec网络中向ena注册了新的物联网服务时，将服务向量提取到所述物联网服务空间中，直至用户到达ena，接收用户的当前上下文向量，并在第t轮时在ena中进行预处理；ena表示第a个ene，上标a表示en的序号数，下标t表示第t轮。

步骤2，所述上下文空间模型在上下文空间中找到其上下文子空间，以获取足够的物联网服务记录以供参考。

具体的，所述上下文空间模型获得类似的上下文记录的过程包括：

将各个所述用户的上下文（可以为爱好、位置、时间及持续时间等）映射到一个维度上下文空间；将各个所述用户的上下文映射到一个维度上下文空间；在第t轮，用户具有一个上下文向量，将该上下文向量发送至所述上下文空间模型；上下文向量由维向量建模。

如图2所示为本发明实施例提供的一种上下文空间分区示意图，图2中和分别表示第和轮的时刻，、和分别表示，lc表示李普希茨常数。

将上下文记录的每个维度的范围标准化为[0,1]，因此c是上下文空间。结合图2给出的实施例可知，三维上下文空间包含用户的服务记录，直到轮，其中维度可以是年龄、月薪和工时。例如，=0.20意味着用户的年龄约为20岁，而最大年龄为100岁，当=0.89时，他/她属于高薪阶层，因为每月平均工资1200$的门槛是0.5。如果=0.26，最大值为24，则表示用户每天工作约6.2小时。

在每一轮中，通过挖掘用户的上下文信息来获取有效记录，以该有效记录作为选择服务类型的参考。

对所述上下文空间进行分区为多个子空间，保证每个空间的上下文记录的最大数目不超过设定阈值；找到所述上下文向量所属的子空间，得到包含上下文相关信息的适当上下文空间，以获得类似的上下文记录，以便进行准确的选择。

例如，对于上述用户，可以参考类似的用户的记录（高薪、年轻和工作轻松）。

最初只考虑历史记录很少的情况下的整个上下文空间。随着记录的增加，可以更精细的划分上下文空间。由于记录更充分，t轮的时间变小。在时间，只覆盖一个小的子空间，其中包含更多的上下文用户。设置阈值限制每个空间中的最大数目，当记录的数量大于或等于阈值时，进一步划分空间以进行准确的评估。上下文空间只需找到所属的子空间，就可以得到包含上下文相关信息的适当上下文空间。如果子空间的数量超过阈值，则将被分区，上下文空间将被更新。用来表示的最大距离。

步骤3，设置表示树节点（h，i）的奖励估计值b值，选择b值最高时对应的最优物联网集群。每个树节点对应于总服务空间中的服务集群，。

优选的，所述奖励估计值b值的计算公式为：

。

其中，上标a表示en的序号数，下标t表示第t轮，下标h,i表示树节点(h,i)；表示经验平均报酬，γ为平衡勘探和开发的参数；表示李普希茨常数，表示的最大距离，表示树节点（h、i）的子集区域的直径的上限，infinity表示无穷大。是中上下文的不确定性。

存在和0≤b≤1，因此对于任何树节点(h，i)：，表示子集区域的直径。

b值表示树节点（h、i）的奖励估计，被用作服务发现的基础。第一项是基于先前记录对服务集群性能的评估，即对以往经验的利用。第二项是集群反馈的不确定性，表明了该集群的探索水平。最后一项表示树节点大小的不确定性。

树节点(h，i)的经验平均报酬为：

。

其中，为第t轮的奖励。

。

。

表示直到第t轮时在ena处选择树节点(h,i)的次数，表示ena及其单跳邻居的集合，为指示函数，n为总轮数。

进一步的，所述物联网服务空间模型中根据所述服务历史树和上下文空间刷新所述服务发现树并更新b值，包括：

对于，判断存在不超过设置的阈值的ena时，则认为该ena是一个没有经验的节点，需要从其他节点学习，并让该ena向其相邻一跳的en寻求帮助，对于时的所有en，计算经验平均报酬为：。

计算和更新所述服务发现树的经验平均报酬后，计算并更新所述b值，将添加到所述服务发现树中。

该发现系统只更新包含相关记录的树节点的b值，并将它们添加到服务发现树中，从而减少了服务集群的候选对象的数量以及选择到不相关树节点的可能性。

步骤4，为用户选择最优物联网集群中的物联网服务的集合中的，n为物联网服务的集合中物联网服务的总个数。

步骤5，如果当前用户所选择的服务的数量不超过n，且是的子集，则在里随机推荐个服务给用户；否则，向用户推荐n个服务，并向相邻的en寻求帮助以推荐其他的-n个服务。

步骤6，用户给出反馈后停止整个推荐流程。

所述服务模型还包括本地差分隐私机制，步骤2之后还包括：对用户的初始上下文向量进行上下文随机数据扰动处理，再通过损失函数计算该扰动处理对更好的服务发现的影响。

该述本地差分隐私机制的计算公式为：

。

其中，为上下文向量经过所述本地差分隐私机制扰动操作后映射的集合；，，表示隐私因子。

所述损失函数为：。

进一步的，服务提供后，用户显式或隐式地向系统提供反馈(用户端奖励。如果服务是由用户选择的，服务端奖励可以通过mec网络监控的数据来评估，如果没有，可以利用最新的历史记录。

所述服务系统选择最佳的个性化服务推荐给所述用户后，所述发现系统根据服务端奖励和用户端奖励计算总奖励值：

。

和为参数，且。

为从sdn控制器监视的各个en中获得的服务端奖励，为根据用户的执行时间、响应时间和可靠性等确定的用户端奖励。

进一步的，发现系统还根据已完成的业务记录进行离线更新：

所述物联网服务空间模型中，对于所述服务历史树中的各个叶树节点，如果；这表明叶节点已经被选够多次了，应该扩展树以获得更精确的区域和更精细的划分，则更新所述服务历史树：

。

更新b值：

。

所述上下文空间模型中，如果，则进一步划分上下文空间。

其中，表示上下文向量中的上下文数量，和表示设定阈值。

具体可以为：，，和为设定参数。

本发明提出了一种本地差分隐私和支持mec的上下文感知在线算法，本发明提供的算法在不影响上下文信息效用的情况下实现了次线性遗憾界和本地差分隐私，在服务发现的准确性和隐私保护水平之间取得了平衡。

相对于传统的cmab算法只考虑在一轮中选择一个单独的arm，但是许多用户在一轮中有多个要求，因此不适用。本发明提出了一种本地差分隐私和支持mec的上下文感知在线算法，可以处理动态复杂的上下文问题，并在选择合适的arm后在开发和探索之间进行权衡，利用combinatorialcontextualmulti-armedbandit(cc-mab，组合上下文多臂预测算法)来选择一组arms，以满足用户每轮不同的服务需求。并且系统可以不断地在网上学习arms的奖励，随着用户上下文的到达，以最大限度地提高总奖励。

利用本地差分隐私(ldp)机制在用户层面而不是在服务发现系统层面保护用户的敏感信息，利用ldp与cc-mab相结合，引入随机噪声来干扰个体上下文，保证用户的隐私，实现了服务发现精度与本地隐私/个人信息效用之间的平衡。使用multi-armedbandit中的遗憾概念来衡量系统的准确性，遗憾概念被定义为最优服务与实际选择的服务的奖励[35]之间的差距，次线性遗憾意味着我们的方法收敛于最优服务发现策略。引入了l2损失作为评估随机扰动期间隐私损失和数据效用的实用度量。我们从理论上证明了我们的算法可以实现次线性遗憾，确保为各个en和用户提供有希望的本地差分隐私，但不会对信息实用程序产生很大影响。

本发明提供一种新的基于上下文和组合bandit的本地差分隐私在线学习方法，通过sdn在物联网中进行服务发现。它保证了次线性遗憾界表明该算法收敛于最优策略。可以进行个性化的服务选择，因为我们考虑了终端用户的上下文，并利用自适应上下文空间分区来处理上下文信息。通过用户端和服务端奖励来衡量iot服务的性能，从而提高了整体服务发现的准确性。在各个en与物联网中动态复杂条件的协作下，我们的方法支持mec场景中不断增长的大型数据集。用本地差分隐私来保护用户的隐私，同时在隐私保护级别和信息实用程序之间实现平衡。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。