[发明专利]基于联邦学习的移动边缘环境下安全QoS预测方法

说明书

本发明公开了一种基于联邦学习的移动边缘环境下安全QoS预测方法。该方法首先收集边缘位置信息和QoS数据集，融合后得到时‑空边缘用户QoS数据集；然后对边缘区域进行划分和提取公有数据集，并将公有模型训练和个性化预测相结合从而达到安全的目的。在公有模型训练过程中，考虑边缘服务器和市辖区的地理位置分布，将整个边缘网络区域划分为多个边缘区域，每个边缘区域对应若干个市辖区。每个边缘区域进行公有数据提取后基于LSTM进行公有模型训练并将公有权值参数传递给私有用户。在个性化预测过程中，用户使用其所属区域中的公有LSTM权重参数作为私有LSTM的初始参数，并根据用户的私有数据不断训练私有LSTM从而进行个性化预测。

技术领域

本发明涉及一种QoS预测方法，尤其涉及移动边缘环境下安全QoS预测方法，属于信息技术领域。

背景技术

SOA(Service Oriented Architecture)是一种应用程序体系结构，在其结构中，所有功能都被定义为独立的服务，Web服务是实现SOA的技术之一，因此行业专家们通过组合这些服务来为用户提供不断变化的需求。近年来随着Web服务的发展，其非功能属性QoS(Quality of Service)受到了越来越多的关注，如今网络上出现大量功能相同或相似的Web服务，因此为用户选择满足需求的恰当Web服务显得尤为重要。另一方面，随着5G时代的到来，移动边缘计算得到了更广泛的应用，由于其位于网络边缘，距离用户或信息源非常邻近，因此可以大大减小响应请求的时延。在移动边缘环境下为用户提供服务响应成为当下的发展趋势，但同时也带来了移动边缘环境下安全性问题。

现有的QoS安全研究工作主要聚焦于两方面：QoS隐私保护方法和QoS安全服务。在QoS隐私保护方面，最早有学者提出差分隐私加密算法，随后liu等人将其与协同过滤法结合提出一种QoS隐私保护法。Qi等人在2017年提出一种基于局部敏感哈希的分布式推荐系统。Shahriar等人提出一种属性值加密和位置隐藏的保护协议。可见，现有QoS隐私保护方法多适用静态环境，且数据加密后有损预测精度。另一方面，由于在边缘环境下用户通过访问彼此历史数据来预测，因此随着交互次数的增加，数据加密规则更容易被破解。

在QoS安全服务方面，研究人员提出了多种安全机制和准则。Shen等人同时考虑了安全性和服务质量，提出了一种分布式动态管理系统机制，但该机制只适用于特定的环境中(如：网络流量为轻量级时)。Alessandro等提出了一种集成的工具支持方法，可在安全性和质量之间达到最大权衡，但该方法未考虑动态环境下的变化情况。Jalal等使用一种分布式实时环境下安全性QoS优化方法在机密性、完整性和认证安全性之间达成协议，但该方法多运用于IP路由协议。Charuenporn等提出了一种新的QoS安全度量开发范式，然而，该范式只适用于两个已定义的信息系统标准(COBIT和ITIL)。

随着技术的发展，在越来越多的预测方法中用户的隐私信息被大量获取，安全成为预测过程中用户的一大需求。

发明内容

发明目的：考虑移动边缘环境下传统方法不适用且预测精度大大降低以及用户对安全性的需求，本发明提供一种基于联邦学习的移动边缘环境下安全QoS预测方法，通过融合数据集的方式得到时-空边缘用户QoS数据集，并采用公有模型训练和个性化预测的方式从根本上消除被破解的可能从而保证安全性。同时，运用LSTM模型动态更新权值参数提高预测精度，从而在保证安全的同时，达到有效和准确预测的目的。

技术方案：为实现上述发明目的，本发明所述的一种基于联邦学习的移动边缘环境下安全QoS预测方法，包括如下步骤：

步骤1：收集边缘位置信息和QoS数据集；

步骤2：以用户ID号为连接对QoS数据和边缘位置点进行融合；

步骤3：融合后得到时-空边缘用户QoS数据集；

步骤4：考虑边缘服务器和市辖区的地理位置分布，将原始的边缘网络区域划分为多个边缘区域，并进行公有数据集提取；