基于信誉模型的车辆边缘计算网络客户端调度方法和系统

本发明涉及边缘计算和联邦学习，特别涉及一种基于信誉模型的车辆边缘计算网络客户端调度方法和系统。

背景技术：

1、随着城市信息化的快速发展，城市中普及了大量的智能终端设备，包括车辆、智能手机、监控系统等。这些设备产生了大量高质量的数据，需要进行整合、计算和分析才能被充分利用。然而，传统的集中式处理方法会遇到各种限制，包括无线网络带宽、云平台计算能力以及中长距离传输带来的延迟等。因此，它们正逐渐被移动边缘计算(mobile edgecomputing,mec)所取代。作为一项前沿技术，mec正逐渐渗透到各个领域，其中车载边缘计算网络(vehicular edge computing networks,vecn)成为一个备受关注的应用场景。同时，在多个边缘设备协作学习共享模型时，联邦学习的使用有效地解决了数据隐私和数据孤岛等问题。联邦学习有效地满足了复杂交通环境中的信息交换需求，为车联网提供了高效、安全的边缘计算。联邦学习在vecn中的应用日益广泛，为城市信息安全和数据处理提供了大量有效的解决办法。

2、在vecn中实现高效的联邦学习主要面临以下挑战。首先，城市交通环境的复杂性导致客户端获取的数据质量参差不齐，因此需要对参与联邦学习的可信客户端进行筛选，以防范恶意节点的攻击行为，提高数据源的质量。其次，mec对资源有限的移动设备提出了更复杂的计算要求，因此需要合理安排本地客户端投入训练所需的计算资源，实现成本与收益的均衡。为此，本专利在无人机辅助车辆的边缘计算网络场景中，设计一种客户端选择和资源分配的联合调度方法。

3、信誉模型是常用的数据质量评估和客户选择的方法之一。信誉模型是基于历史行为和性能指标等因素对参与者可靠性的综合评估。在mec领域，信誉模型在数据质量评估、节点可靠性评估和恶意节点识别等方面发挥了重要作用。但是，传统的信誉模型在选择高质量数据源的过程中，难以筛选出进行脏标签攻击的恶意节点。

4、此外，为了确保系统的延迟和能耗，高效客户端的本地资源至关重要。随着边缘计算在工业物联网中的整合，解决移动计算所带来的延迟和能耗问题已成为一个重要的关注点。然而，目前在资源调度中采用的强化学习方法，如深度q网络(deep q-network,dqn)、异步优势动作批判(asynchronous advantage actor-critic,a3c)和深度确定性策略梯度(deep deterministic policy gradient,ddpg)等，在面对大规模问题时表现出有限的探索能力和不足的适应性，使得同时管理多个行动空间维度成为挑战。

技术实现思路

1、本发明针对现有技术的缺陷，提供了一种基于信誉模型的车辆边缘计算网络客户端调度方法和系统。利用动态交互式的信誉模型，协助无人机进行车辆客户端的选择，提高服务端抵御用户恶意篡改数据标签的能力，同时利用异步并行的ddpg算法，对客户端的计算资源和通信能力的进行集中调度，平衡本地训练带来的延迟和能耗，最终实现高效的联邦学习。

2、为了实现以上发明目的，本发明采取的技术方案如下：

3、一种基于信誉模型的车辆边缘计算网络客户端调度方法，包括以下步骤：

4、步骤一：建立无人机辅助车辆的边缘计算场景，该场景涵盖了场景搭建、通信模型、计算模型、联邦模型以及优化目标，具体包括：

5、s11、在边缘计算网络中搭建无人机辅助车辆的场景，包括确定网络拓扑结构和参与者角色功能；

6、s12、建立车辆与无人机之间的通信模型，包括定义通信协议和数据传输机制；

7、s13、确定车辆的计算能力和资源配置，包括本地计算参数和传输延迟；

8、s14、建立无人机对车辆的统一调度模型，包括全局模型传输和局部模型训练管理；

9、s15、设定边缘计算系统的优化目标，包括最小化资源消耗和提高模型精度。

10、步骤二：通过构建直接信誉模型和间接信誉模型，建立动态交互的信誉模型，具体包括：

11、s21、构建直接信誉模型，评估客户端的可靠性；

12、s22、构建间接信誉模型，综合考虑其他无人机的历史记录和协同合作评估车辆的信誉。

13、步骤三：基于信誉模型提出完整的用户招募方法，以此办法选择客户端，具体包括：

14、s31、收集车辆的历史性能数据和信誉评价信息；

15、s32、整合直接和间接信誉模型，对车辆进行综合评估和信誉打分；

16、s33、根据信誉评分和系统需求选择合适的客户端参与任务；

17、s34、根据任务执行结果更新车辆的信誉评价，并进行反馈和记录。

18、步骤四：综合异步优势动作批判算法和深度确定性策略梯度算法，优化得到异步并行的ddpg算法作为客户端调度的算法，以此算法进行资源调度。

19、进一步地，所述步骤一的具体过程如下：

20、s11、搭建无人机辅助车辆的场景，包括无人机和车辆组成的边缘计算场景，车辆负责数据收集和本地模型训练，无人机负责调度和维护全局模型的更新。车辆作为边缘节点，具有独立的数据集和计算存储能力，无人机作为中央服务器管理车辆调度。系统以离散时间运行，任务生成间隔遵循泊松分布。

21、s12、建立无人机辅助车辆的通信模型，描述上行链路信道为平坦的瑞利衰落信道，每个无人机连接并调度多辆车。无人机根据道路流量分布移动到有利位置，向车辆下达周期轮次指令，包括客户端选择、全局模型分发和资源调度。计算车辆无人机通信过程中的信道增益、传输速率，考虑通信链路间障碍。

22、s13、建立无人机辅助车辆的计算模型，车辆生成任务，定义任务模型和本地计算参数，计算本地模型训练时间成本和资源消耗，考虑传输过程时延和能耗。

23、s14、建立无人机辅助车辆的联邦模型，无人机统筹调度训练全局联邦模型，管理每个设备训练的局部联邦模型，定义本地模型和全局模型的模型损失度，目标是最小化全局模型参数的损失函数。

24、s15、设定无人机辅助车辆的优化目标，联合优化客户端选择和资源调度，选择计算资源丰富、数据量充足的车辆，筛除恶意车辆攻击，保证模型损失最小，使用合理的资源调度方法减少训练精度损失和时间、资源成本消耗。对边缘计算网络的优化目标进行建模。

25、进一步地，所述步骤二的具体过程如下：

26、s21、构建直接信誉模型，根据车辆性能、能力和成本的动态因素评估客户信誉，考虑联邦模型相似度、通信链路通畅状况、数据集数量和预估计算时间，建立直接信誉模型，考虑时间相关性。

27、s22、构建间接信誉模型，通过模型相似性评估利用各种无人机的历史信誉记录，综合考虑其他无人机的信誉记录，通过协同合作评估车辆信誉，构建全面的间接信誉模型，作为用户招募方法的核心，优化客户端选择提供依据。

28、进一步地，所述步骤三的具体过程如下：

29、s31、数据收集，无人机从历史任务经历中收集车辆客户端数据，包括本地历史模型准确性、数据集质量和计算能力。

30、s32、信誉建模，整理管辖区内所有用户数据，根据性能、能力和成本的动态因素建立直接信誉模型，根据模型相似性和历史信誉记录建立间接信誉模型，构建完整信誉模型，为客户端选择提供依据。

31、s33、用户选择，利用信誉模型选择一组车辆执行任务，信誉值高的车辆可靠性和数据质量更高。

32、s34、模型训练，无人机向选中车辆传播全局联邦模型，车辆利用自身资源训练数据，在全局模型基础上训练本地联邦模型。

33、s35、信誉反馈，无人机收集车辆本地训练模型，汇总更新模型，记录模型准确性、数据集质量和计算能力，根据车辆表现计算并更新客户端信誉分数，实现用户招募循环。

34、进一步地，所述步骤四的具体过程如下：

35、s41：算法选择，综合异步优势动作批判算法和深度确定性策略梯度算法，以优化得到异步并行的ddpg算法作为客户端调度的算法。

36、s42：算法优化，针对异步并行的ddpg算法进行优化，包括调整神经网络结构、优化超参数设置、改进训练策略等，以提高算法的性能和效率。

37、s43：资源调度，利用优化后的异步并行ddpg算法进行客户端调度和资源分配，确保在车辆边缘计算网络中有效地选择车辆进行任务处理，并根据实时情况动态调整资源分配策略。

38、本发明还公开了一种车辆边缘计算网络中基于信誉模型的客户端调度系统，该系统能够用于实施上述的车辆边缘计算网络客户端调度方法，具体的，包括：

39、场景建立模块：负责在车辆边缘计算网络中建立无人机辅助车辆的计算场景，包括确定网络拓扑结构和参与者角色功能。

40、通信模型建立模块：建立车辆与无人机之间的通信模型，定义通信协议和数据传输机制，确保有效的信息传递和交互。

41、计算模型建立模块：确定车辆的计算能力和资源配置，包括本地计算参数和传输延迟，为任务分配和执行提供基础。

42、优化目标设定模块：设定边缘计算系统的优化目标，包括最小化资源消耗和提高模型精度，指导系统的整体优化方向。

43、信誉模型构建模块：构建直接信誉模型和间接信誉模型，评估客户端的可靠性，为用户招募和任务分配提供信誉评估依据。

44、用户招募方法模块：提出完整的用户招募方法，包括收集车辆的历史性能数据和信誉评价信息，综合评估车辆的信誉并选择合适的客户端参与任务。

45、算法优化模块：综合异步优势动作批判算法和深度确定性策略梯度算法，优化得到异步并行的ddpg算法作为客户端调度的算法，以此算法进行资源调度，提高系统效率和性能。

46、本发明还公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述车辆边缘计算网络客户端调度方法。

47、本发明还公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述车辆边缘计算网络客户端调度方法。

48、与现有技术相比，本发明的优点在于：

49、1.提高系统可靠性：基于信誉模型的车辆边缘计算网络客户端调度方法可以评估车辆的可靠性和信誉度，选择具有良好信誉的车辆参与任务，从而提高系统的可靠性和稳定性。

50、2.提升任务执行效率：通过选择信誉较高的车辆参与任务，可以提高任务执行的效率和准确性，减少任务执行的时间和资源消耗。

51、3.增强安全性：信誉模型可以识别和筛选出恶意或低信誉的车辆，降低了系统受到恶意攻击的风险，从而增强了系统的安全性。

52、4.资源合理分配：通过综合考虑车辆的信誉评分和系统需求，可以更加合理地分配计算资源，提高资源利用率，减少资源浪费。

53、5.适应性强：信誉模型可以根据车辆的历史性能数据和实时表现进行动态调整，适应不同场景下的需求变化，增强了系统的适应性和灵活性。

54、6.减少管理成本：通过自动化的信誉评估和客户端选择过程，可以减少系统管理和维护的人力成本和时间成本，提高了系统的管理效率。

55、7.联合优化客户端选择与资源调度：本发明在无人机辅助的车辆边缘计算网络中实现了客户端选择与资源调度的联合优化。通过综合考虑车辆的信誉评分和系统资源情况，实现了对计算资源的智能分配，从而最大程度地提高了系统整体性能。

56、8.有效抵御恶意节点攻击：信誉模型的引入可以有效识别和过滤恶意节点的攻击，保护系统免受恶意行为的影响。通过排除低信誉车辆的参与，提高了系统的安全性和抗攻击能力。

57、9.资源更充分利用：通过合理选择信誉较高的车辆参与任务，并根据任务需求动态调整资源分配，实现了资源的更加充分利用。这样可以减少资源的闲置浪费，提高了系统的效率和经济性。

58、10.实现高效的联邦学习：通过信誉模型的优化客户端选择和资源调度，可以为联邦学习提供更加高效的环境。信誉较高的车辆参与模型训练，提高了训练模型的质量和效率，从而实现了更快速的联邦学习过程。