一种面向用户隐私保护的边缘计算卸载方法与流程

本发明涉及边缘计算卸载领域，尤其涉及一种面向用户隐私保护的边缘计算卸载方法。

背景技术：

1、随着物联网设备的普及，不少学者围绕物联网隐私问题进行了研究，但多数研究都是在传统云计算场景的基础上对数据加密、访问控制、身份认证等方面进行探讨，关于mec(mobile edge computing)架构的物联网隐私保护的研究则较少。由于mec支持的系统场景具备无线卸载功能，存在潜在的隐私泄露风险，即用户位置隐私和使用模式隐私。

2、边缘计算为用户带来便利的同时，也面临着高要求的隐私保护的挑战。由于边缘设备往往是半可信的设备以及常由第三方代理，用户终端一般无法事先获悉将要卸载的边缘设备是否是可以信赖的数据中心。这就为那些通过监听mec服务器卸载信息的来获取用户身份信息、位置信息、以及敏感信息的恶意监听者提供了可乘之机。通过监听mec服务器上的用户卸载情况，反向推出用户的使用模式和所处的无线环境，甚至进步推断出用户所处的大致地理位置。这对于那些对自身信息隐私性十分在乎的用户而言，mec服务便不再是他们的首选。如何保障用户隐私的同时规划有效卸载策略是边缘计算领域亟待解决的一个问题。

技术实现思路

1、本发明提供了提供一种面向用户隐私保护的边缘计算卸载方法，以解决用户卸载过程中隐私泄露的问题。

2、为了实现本发明的目的，所采用的技术方案是：一种面向用户隐私保护的边缘计算卸载方法，包括以下步骤：

3、s1，基于用户卸载任务及卸载频率定义隐私量概念，并制定隐私约束；

4、s2，通过对边缘计算服务器基站下所有用户的卸载概率进行抑制和泛化处理，构建隐私保护模型；

5、s3，联合考虑用户与边缘节点之间的信道状态构建卸载模型；

6、s4，计算不同卸载策略下边缘节点场景内多个用户构成系统的计算速率，作为神经网络的目标函数；

7、s5，计算不同卸载策略对应的目标用户计算时延及累计隐私量，动态优化卸载策略，选择隐私约束范围内系统计算速率最优的卸载策略，下发到用户终端设备执行。

8、作为本发明的优化方案，步骤s1的具体实现步骤包括：

9、s1-1、根据目标用户的计算任务卸载概率相比于该任务所有用户平均卸载概率的显著性定义目标用户卸载某种类型任务所包含的隐私量；

10、s1-2、根据用户在一段时间范围内的卸载任务种类及卸载模式，计算用户在边缘节点的累计隐私量作为隐私约束。

11、作为本发明的优化方案，步骤s2所述构建隐私保护模型具体包括：

12、s2-1、统计边缘节点范围内多个用户不同种类计算任务的卸载概率；

13、s2-2、引入k-匿名模型，对用户的卸载频率进行抑制和泛化处理；

14、s2-3、将卸载特征相似的用户划分到同一分组中，使得至少存在用k个用户表现为同样的卸载特征。

15、作为本发明的优化方案，步骤s3所述构建卸载模型具体包括：

16、s3-1、本地计算模式：单位时隙产生的计算任务全部由用户终端设备处理；

17、s3-2、计算卸载模式：单位时隙产生的计算任务全部卸载到边缘节点处理并返回处理结果。

18、作为本发明的优化方案，场景中的用户终端具备无线充电功能，本地计算模式和计算卸载模式加入了单位时隙充电与本地计算或计算卸载的时间分配问题。

19、作为本发明的优化方案，步骤s4的具体实现步骤包括：

20、s4-1、将用户与边缘节点间信道增益状态作为神经网络输入；

21、s4-2、使用训练策略，初期随机获得多用户卸载策略；

22、s4-3、将系统计算速率作为强化学习目标函数，训练优化卸载策略。

23、作为本发明的优化方案，步骤s4-3计算边缘节点范围内多个用户构成的系统的计算速率时，添加了用户权重系数，从而实现针对不同用户的个性化优化目标。

24、作为本发明的优化方案，步骤s5所述动态优化卸载策略具体包括：

25、s5-1、根据隐私量定义及卸载策略计算用户在边缘节点的累计隐私量；

26、s5-2、根据k-匿名得到的隐私数据表计算匿名精度；

27、s5-3、根据卸载策略对应每个时隙的卸载动作得出计算时延；

28、s5-4、根据隐私约束调整卸载策略部分时隙的卸载决策。

29、作为本发明的优化方案，步骤s5-2采用最小k-匿名方法，计算不同k值对应生产隐私数据表的匿名精度，选择用户能接受匿名精度下的最小化匿名泛化。

30、作为本发明的优化方案，步骤s5-4根据累计隐私量约束，调整当前时隙的卸载策略，并生成虚拟任务，降低用户在边缘节点的累计隐私量，为后续的正常卸载提供准备。

31、本发明具有积极的效果：1）本发明在边缘计算任务卸载中考虑用户的位置隐私和使用习惯隐私，利用k-匿名来抑制和泛化用户卸载频率特征，在不确定卸载节点可信度的情况下结合考虑累计隐私量，此方法避免了将用户卸载习惯直接暴露给边缘节点以及降低了被恶意监听者识别身份的风险。

32、2）本发明在优化卸载策略时，综合考虑了节点范围内多个用户的信道增益状态及计算速率，同时允许为目标用户增设权重系数，实现个性化的卸载策略优化。

33、3）相比于传统的云计算，边缘计算节点里用户设备更近，可以减少数据传输时延，提升应用程序运行速度，节约用户终端设备能耗，提升用户服务体验。使用深度强化学习训练得到卸载策略，充分考虑用户隐私保护、匿名精度和用户终端能耗分配情况，以最大化系统计算速率为目标，得出最优卸载策略，使得边缘云计算的性能大幅提升。

技术特征：

1.一种面向用户隐私保护的边缘计算卸载方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种面向用户隐私保护的边缘计算卸载方法，其特征在于，步骤s1的具体实现步骤包括：

3.根据权利要求1所述的一种面向用户隐私保护的边缘计算卸载方法，其特征在于，步骤s2所述构建隐私保护模型具体包括：

4.根据权利要求1所述的一种面向用户隐私保护的边缘计算卸载方法，其特征在于，步骤s3所述构建卸载模型具体包括：

5.根据权利要求4所述的一种面向用户隐私保护的边缘计算卸载方法，其特征在于，场景中的用户终端具备无线充电功能，本地计算模式和计算卸载模式加入了单位时隙充电与本地计算或计算卸载的时间分配问题。

6.根据权利要求1所述的一种面向用户隐私保护的边缘计算卸载方法，其特征在于，步骤s4的具体实现步骤包括：

7.根据权利要求6所述的一种面向用户隐私保护的边缘计算卸载方法，其特征在于，步骤s4-3计算边缘节点范围内多个用户构成的系统的计算速率时，添加了用户权重系数，从而实现针对不同用户的个性化优化目标。

8.根据权利要求1所述的一种面向用户隐私保护的边缘计算卸载方法，其特征在于，步骤s5所述动态优化卸载策略具体包括：

9.根据权利要求8所述的一种面向用户隐私保护的边缘计算卸载方法，其特征在于，步骤s5-2采用最小k-匿名方法，计算不同k值对应生产隐私数据表的匿名精度，选择用户能接受匿名精度下的最小化匿名泛化。

10.根据权利要求8所述的一种面向用户隐私保护的边缘计算卸载方法，其特征在于，步骤s5-4根据累计隐私量约束，调整当前时隙的卸载策略，并生成虚拟任务，降低用户在边缘节点的累计隐私量，为后续的正常卸载提供准备。

技术总结
本发明涉及边缘计算卸载领域，尤其涉及一种面向用户隐私保护的边缘计算卸载方法，包括：基于用户卸载任务及卸载频率定义隐私量概念，并制定隐私约束；通过对边缘计算服务器基站下所有用户的卸载概率进行抑制和泛化处理，构建隐私保护模型；联合考虑用户与边缘节点之间的信道状态构建卸载模型；计算不同卸载策略下边缘节点场景内多个用户构成系统的计算速率；计算目标用户计算时延、用户累计隐私量，选择隐私约束范围内系统计算速率最优的卸载策略，下发到用户终端设备执行；本发明考虑用户的隐私信息进行边缘计算任务卸载，有效的避免用户的身份和位置信息泄露，获取高质量的边缘计算服务；使用深度强化学习算法训练得到卸载策略。

技术研发人员：陈涛,林宣兵,张鹏
受保护的技术使用者：中博信息技术研究院有限公司
技术研发日：
技术公布日：2024/1/15