[發明專利]一種面向邊緣智能控制器的依賴任務卸載和隱私保護方法

在審

• 申請號: 202310416064.9
• 申請日: 2023-04-18
• 公開（公告）號: CN116595575A
• 公開（公告）日: 2023-08-15
• 發明（設計）人: 尚文利;蔣振榜;揭海;曹忠;丁磊;張曼;韋蘊珊;張夢
• 申請（專利權）人: 廣州大學
• 主分類號: G06F21/62
• 分類號: G06F21/62;G06N3/0464;G06N3/08
• 代理公司: 廣州高航知識產權代理有限公司 11530
• 代理人: 張宣布

本發明公開了一種面向邊緣智能控制器的依賴任務卸載和隱私保護方法，針對邊緣智能控制器的隱私保護卸載所面臨的挑戰，本發明的內容在于提出了基于Seq2Seq的深度強化學習依賴任務卸載算法，在考慮邊緣智能控制器的應用任務之間的依賴關系和網絡動態變化等因素，實現依賴任務實時高效卸載調度同時保護邊緣控制器的隱私數據，減少任務處理總的時延和能耗，最大化用戶服務質量。

技術領域

本發明涉及智能控制器的技術領域，具體涉及一種面向邊緣智能控制器的依賴任務卸載和隱私保護方法。

背景技術

工業物聯網(Industrial?Internet?of?Things,IIOT)的邊緣智能控制器(Edgeintelligent?controller,EIC)廣泛用于監控和控制智能制造過程。邊緣智能控制器的智能實時運行是一個不可忽略的問題，它時刻影響著整個邊緣智能系統的安全與可靠。計算卸載是邊緣控制器智能實時運行的關鍵技術之一，它將計算密集型任務從本地設備發送到邊緣服務器執行，利用邊緣服務器豐富的計算和存儲資源擴展邊緣智能控制器的算力。智能工業控制系統大多涉及計算密集型任務，由于資源受限的EIC難以為卸載調度任務提供所期望的服務質量(Quality?of?Service,QoS),調度任務需要卸載到邊緣服務器執行。

目前國內外針對邊緣控制器的計算資源調度問題展開了深入的研究，然而現有的方法不完全適用于工業控制場景，主要問題包括：①目前提出的計算資源調度方法大多設定任務是獨立的，卻忽略了應用組件之間的依賴關系，并且很少考慮如何降低時延和提高用戶的服務質量問題；②現有的計算卸載方法存在固定的任務卸載類型、頻次等所導致的邊緣控制器隱私泄露問題。因此研究面向邊緣智能控制器的計算卸載方法不僅要考慮如何降低時延和提高服務質量，還要兼顧保護任務調度過程中涉及敏感信息，對邊緣智能控制系統的安全高效運行具有重大意義。

工業邊緣計算中的任務卸載問題是NP難的，大部分研究采用啟發式算法來獲得卸載決策，然而，啟發式算法有許多缺點，例如陷入局部最優解。當狀態和動作空間太大時，算法的效率很低。智能工業控制系統存在著大量得多元異構設備，任務調度問題高維度。因此，它不適用于日益復雜的動態邊緣計算場景。

深度強化學習(Deep?Reinforcement?Learning,DRL)將強化學習(ReinforcementLearning,RL)與深度神經網絡(Deep?neural?networks,DNN)相結合，是一種在沒有專家知識的情況下實現靈活自適應任務卸載的有前途的方法。DRL通過與環境的互動學習有效的政策(即從環境狀態到行動的映射)，以最大限度地提高數字獎勵。強化學習算法存在一個固有缺陷，算法的值函數容易被逆強化學習推理出來。值函數包含智能體在給定狀態下選擇卸載動作的偏好的敏感信息。利用這一缺陷，一旦存儲在邊緣服務器中的經驗泄露給對手，攻擊者就可以在策略學習過程中推斷出價值函數，很容易獲得邊緣智能控制器上任務卸載類型，頻次，導致隱私泄露問題。

發明內容

S1：構建工業邊緣計算系統模型以及邊緣智能控制器計算耗費模型和邊緣執行耗費模型；

S2：將依賴任務卸載問題描述為馬爾科夫決策過程；

S3：依賴任務卸載問題轉化為Seq2Seq神經網絡模型預測問題；

S4：訓練Seq2Seq神經網絡輸出最優卸載決策序列，決定依賴任務本地執行或卸載到邊緣服務器計算。

優選的，所述S1中，工業邊緣計算系統模型包含系統網絡模型和計算任務模型，其中所述系統網絡模型包括依次連接的終端層、邊緣層和邊緣應用層。

更優的，所述邊緣層包括邊緣服務器，所述邊緣應用層包括邊緣智能控制器和終端設備，其中邊緣服務器、邊緣智能控制器和終端設備組成工業邊緣計算系統，一組工業終端設備通過有線傳輸方式將計算任務卸載到邊緣智能控制器，每個邊緣智能控制器為一組設備提供計算資源、存儲資源和通信資源。