[发明专利]一种基于移动云计算的模型自适应安全感知任务调度方法

权利要求书

1.一种基于移动云计算的模型自适应安全感知任务调度方法的实现步骤如下：

步骤S1：任务初始化；

步骤S2：参数初始化；

步骤S3：过滤任务所需连接和服务；

步骤S4：任务消耗资源预测及预测模型调优。

2.根据权利要求1中所述的一种基于移动云计算的模型自适应安全感知任务调度方法，其特征在于，在步骤S1中，具体操作过程如下：

在上述步骤S1中，任务初始化，包括任务所需的数据集的大小、数据集质量以及安全性级别等，用f(j)来表示具体任务所需参数。

3.根据权利要求1中所述的一种基于移动云计算的模型自适应安全感知任务调度方法，其特征在于，在步骤S2中，具体操作过程如下：

在步骤S2中，参数初始化，包括对任务执行所需要的服务类型和连接类型等。通常提供的服务类型有公共云(免费)u₀，商业云(付费)u₁，专有计算集群u₂，连接到同一Wi-Fi接入点的本地计算机u₃，移动设备u₄。连接类型有c₀，代表没有接入限制的公共Wi-Fi，c₁指有访问限制的公共Wi-Fi，c₂指蜂窝网络，c₃是已知的Wi-Fi接入点。

4.根据权利要求1中所述的一种基于移动云计算的模型自适应安全感知任务调度方法，其特征在于，在步骤S3中，具体操作过程如下：

步骤S301：根据所有的可能连接所有可能服务VPN是否可用v∈V，以及数据的安全性级别d_j≤n_u，判断d_j＝＝0是否成立；

其中，U是用函数l和p描述的可用服务的集合，l和p分别代表服务的安全级别和价格；函数l：为服务指定服务安全级别(值越大，越安全)；p：分配服务执行成本。为移动设备和核心基础设施之间的连接，通过应用通信安全级别对其进行排序，即c_i的安全级别小于c_i+1，当0≤i≤n_c-1。由于使用VPN可以提高连接的安全性，定义一个附加的二进制参数v,v∈V＝{0,1}，值为0和1分别表示不使用VPN和使用VPN的连接，即c_i使用VPN被认为与c_i+1具有相同的安全级别。d_j∈D＝{0,1,2，...,n_d}表示任务j在处理不同安全级别的数据，该参数的值越大，意味着任务的安全性越高。则针对安全级别数据d_j，需要服务u_i∈U，使其满足l(u_i)≥d_j。假设存在对所有安全级别数据都足够安全的服务，即

步骤S302：如果步骤S301的条件成立，则U_j＝U，C_j＝C；否则，跳至步骤S303；

步骤S303：令

步骤S304：判断d_jn_c+v是否成立；

步骤S305：判断步骤S304中的条件是否成立，如果成立，则C_j＝[]；否则，跳至步骤S306；

步骤S306：令k＝d_j-v；

步骤S307：输出具体服务所需的过滤连接和过滤服务，即(C_j,U_j)。

5.根据权利要求1中所述的一种基于移动云计算的模型自适应安全感知任务调度方法，其特征在于，在步骤S4中，具体操作过程如下：

步骤S401：根据所有可能连接C，所有可能服务U，VPN是否可用v∈V，数据安全性级别d_j≤n_u，用户选择或执行的任务j_x，当前可用连接C_r，模型M，具有任务执行上下文ctx和消耗的资源的数据库ExperienceDB，用户的优先级参数pref，判断

其中，任务执行上下文定义如下：

ctx＝(b,c,v)∈Ctx＝B×2^C×V

其中，b∈B＝[0,1]为移动设备的电池电量，是目前可用的互联网连接，v∈V指VPN的可用性。

步骤S402：如果步骤S401中满足条件，则对进行判断，如果满足此条件，使用预定义的任务集来估计消耗资源，补充ExperienceDB；否则，进入步骤S403。

步骤S403：根据模型M以及ExperienceDB，对模型参数进行调整，进而对模型进行训练。

步骤S404：判断模型M是否需要更新，如果需要，则直接对模型参数进行调整并训练；

步骤S405：运用步骤S401中的任务参数，执行步骤3的服务和连接过滤操作，输出对应结果；

步骤S406：根据步骤S401中的任务参数，对具体任务j_x消耗的资源进行预测，返回资源消耗，输出r_x；

步骤S407：根据步骤S405以及步骤S406的输出结果，选择最优的服务u_x。

步骤S408：根据服务u_x及连接c，处理任务j_x，得到输出结果result以及消耗资源res(j)；

步骤S409：在步骤S408基础上，输出e_jx，并将其添加至ExperienceDB；

根据上述操作，即可以得到具体任务所需的分配策略，如下所示：

A＝(J,U,l,p,C,V,D,Ctx,R,M,L,E,fa,aa)

其中，J是可以分配的任务(作业)集合；U是用函数l和p描述的可用服务的集合，l和p分别代表服务的安全级别和价格；C是可以使用VPN(虚拟专用网)协议V修改的一组可能的连接；D是任务中的一组数据安全级别；Ctx表示任务执行上下文；R是一组移动设备资源；M表示通过基于经验知识E的机器学习算法L学习的模型；fa和aa分别是执行具体任务过滤服务和连接操作算法和资源分配算法。则处理任务的安全策略可以定义如下：

S＝U×C

对于给定的任务j与使用VPN的可能性v，选择安全策略是足够安全，需要满足如下条件：

(u_n,c_k)∈s_j，l(u_k)≥d_j，c_k≥d_j-v，该子集由安全过滤得到。

在安全过滤操作执行后，基于移动设备的电池电量和其当前互联网连接表示的上下文来选择来自集合S的策略，则执行具体任务所消耗的资源如下：

R＝{t,b,p}

其中，t代表任务执行时间，b指移动设备电池电量，p代表执行具体服务所需要支付的服务价格。

由于资源消耗预测取决于服务种类、连接类型以及具体的任务参数f(j)。通过使用机器学习算法，直接预测具体任务所消耗的资源。如，对于资源r∈R，模型M_r，预测指定任务j∈J对资源的消耗。具体如下：

r(j)＝M_r(u_j,c_j,f(j))

如果任务j∈J使用一个确定策略被执行，则它消耗的资源具体如下：

res(j)＝(t(j),b(j),p(j))∈Res，

针对具体的任务执行，及其所消耗的资源，将其存储在经验数据库e_j元组中,具体如下：

e_j＝(d_j,u_j,f(j),res(j))

其中，资源分配算法所使用的初始模型可以从第一次使用算法时的预定义的训练数据集ExperienceDB中获得。

在上述的任务策略分配算法中，主要部分从策略过滤开始；然后，对于选定的策略，预测任务执行所消耗的资源；最后，根据用户优先级对预测模型进行优化。通过使用最优策略(服务和连接)执行所要求任务，算法执行后，经验数据e_jx将被存储在数据集ExperienceDB中。pref用来配置任务分配算法中最优服务选择函数的选择规则，以此来选择最优策略，该参数用户可以根据移动设备自行定义。

假设任务j在服务u_j通过连接c_j下，其安全级别定义如下:

其中，c_j＝nul，当且仅当连接是在移动设备上。

由于，由于只考虑安全策略，所以SL_j总是大于或者等于d_j。