买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本申请公开了一种联合资源分配和隐私保护的MEC任务卸载的方法及装置，涉及计算机技术领域。方法包括：获取待处理任务的信息；构建通信模型、计算模型和联合隐私熵模型，并建立任务卸载比例、网络选择、资源分配与任务处理时间和联合隐私熵之间的关联优化模型；利用双层卸载算法求解优化模型，并获得相应的策略；根据策略选择并分配任务至不同卸载位置，以及选择相应的网络传输数据。本申请在任务卸载过程中联合了资源分配及隐私保护，同时考虑了多网络数据传输，能进一步降低终端任务处理时间并保证任务卸载的隐私安全。同时，本申请采用了分层模式构建卸载模型和设计卸载算法，降低了联合任务卸载问题的复杂性。

主权项：1.一种联合资源分配和隐私保护的MEC任务卸载的方法，其特征在于，包括：获取待处理任务的信息，所述待处理任务的信息包括所述待处理任务的输入数据量、处理所述待处理任务所需要的CPU周期数、所述待处理任务的泄露信息的等级、所述待处理任务的最大容忍时间和所述待处理任务的最大能耗；通过通信模型、计算模型和联合隐私熵模型建立关联优化模型；求解所述关联优化模型，得到任务卸载策略、网络选择策略和资源分配策略；根据所述任务卸载策略将所述待处理任务按比例分配其卸载位置，基于所述网络选择策略选择对应网络传输数据，通过所述资源分配策略分配所述待处理任务在所述卸载位置所需的计算资源；所述通过通信模型、计算模型及联合隐私熵模型建立关联优化模型，包括：构建所述通信模型、所述计算模型和所述联合隐私熵模型；基于所述通信模型得到所述待处理任务的网络选择，通过所述计算模型得到所述待处理任务在所述卸载位置上的任务卸载比例、资源分配比例、任务处理时间和最小化任务处理时间，根据所述联合隐私熵模型得到所述待处理任务的联合隐私熵和最大化联合隐私熵；整合所述任务卸载比例、所述网络选择、所述资源分配比例和所述任务处理时间，并建立任务处理时间与所述联合隐私熵的关联优化模型；所述关联优化模型包括目标函数和多个约束条件；建立所述关联优化模型后，还包括：将所述最小化任务处理时间和所述最大化联合隐私熵作为所述目标函数的优化目标，对所述优化目标进行归一化处理；利用线性加权法将归一化处理后的所述优化目标转化，得到函数值：其中，Un表示所述优化目标归一化后的线性加权值，N表示所述待处理任务的数量，X为所述待处理任务的所述任务卸载策略和所述网络选择策略耦合后的策略，X＝[αn,βn,k,γn,k]n×2k+1，其中，αn表示所述待处理任务在终端执行的比例，βn,k表示所述待处理任务在边缘服务器执行的比例，γn,k表示所述待处理任务在云服务器执行的比例，k表示第k种网络，F为所述待处理任务的资源分配策略，其中，表示当所述待处理任务在所述终端处理时所分配的计算资源，表示所述待处理任务在所述边缘服务器上处理时所分配的计算资源，表示所述待处理任务在所述云服务器上处理时所分配的计算资源，l表示所述待处理任务在所述终端执行，es表示所述待处理任务在所述边缘服务器执行，c表示所述待处理任务在所述云服务器执行；所述求解所述关联优化模型，包括：基于改进蜣螂优化器的双层卸载算法求解所述关联优化模型；所述双层卸载算法分为两层，所述双层卸载算法的上层基于所述改进蜣螂优化器求解所述关联优化模型的最优任务卸载策略和最优网络选择策略；所述双层卸载算法的下层基于所述改进蜣螂优化器求解所述关联优化模型的最优资源分配策略；所述基于改进蜣螂优化器的双层卸载算法求解所述关联优化模型，包括：采用Bernoulli混沌映射所述双层卸载算法的初始化种群：其中，ψ为控制参数，z1为映射输出，z0表示混沌映射的初始化生成；初始化蜣螂种群，为每个蜣螂设置初始位置，并扩展到D维空间，在边界范围，加入混沌映射后的所述蜣螂种群的初始化表示为：D0＝Lb+z1Ub-Lb；其中，D0表示所述蜣螂种群初始化的位置，Ub表示求解问题的上界，Lb表示求解问题的下界；采用自适应参数调整策略来动态调整卸载算法运行过程中的生产者数量；所述自适应参数调整策略更新生产者数量时，会对生产者比例进行缩减，所述生产者比例的缩减表达式为：其中，Ppercent表示所述生产者比例，Pu表示所述生产者比例的上界，Pl表示所述生产者比例的下界，iter表示当前迭代次数，Itermax表示最大迭代次数。

全文数据：

权利要求：

百度查询： 西安邮电大学 联合资源分配和隐私保护的MEC任务卸载的方法及装置