本技术涉及计算机，尤其涉及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。
背景技术：
1、mec，英文全称为：multi-access edge computing，多接入边缘计算，是一种能为用户提供云服务器-边缘服务器-终端三层资源的新型计算方式。多接入边缘计算可通过将计算任务从终端卸载到边缘服务器和云端服务器，从而增加终端可用资源，提高任务处理效率。然而用户在决定任务是在终端本地执行，还是卸载到边缘服务器或云服务器执行时，需要作出准确的决策。错误的卸载决策不仅无法减轻终端压力，反而会因额外的数据传输导致更多的消耗。
2、现有技术中，存在在任务卸载过程中的粒度较粗的问题，会将整个任务全部留在终端本地执行，或者一次性卸载到边缘服务器或者云服务器中。同时，现有技术对任务卸载过程中的资源分配和隐私保护问题也未充分考虑，不能满足任务卸载过程中对于资源分配的高效性，无法保证卸载过程的安全性。此外，现有技术在任务卸载过程中的数据传输过程单一，无法满足多服务器之间的传输。
3、因此，亟需提供一种新型多接入边缘计算任务卸载方法，以解决现有技术中存在的上述问题。
技术实现思路
1、本技术实施例通过提供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，解决了现有技术中由于相关技术的限制和缺陷而导致任务处理存在的时间长和隐私安全性能低等问题。
2、第一方面，本技术实施例提供了一种联合资源分配和隐私保护的mec任务卸载的方法，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。
3、结合第一方面，在一种可能的实现方式中，所述卸载位置包括终端、边缘服务器和云服务器。
4、结合第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述通信模型支持使用多个无线网络同时进行所述终端和所述边缘服务器之间的数据传输、所述边缘服务器和所述云服务器之间的数据传输。
5、结合第一方面，在第三种可能的实现方式中，所述联合隐私熵模型，包括任务隐私熵和数据隐私熵；所述任务隐私熵用于获取所述待处理任务在不同卸载位置的泄露概率和泄露等级；所述数据隐私熵用于获取所述待处理任务在数据传输过程中的数据的泄露概率和泄露等级。
6、结合第一方面，在第四种可能的实现方式中，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。
7、结合第一方面的第四种可能的实现方式，在第五种可能的实现方式中，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，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，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，，其中，表示所述待处理任务在终端执行的比例，表示所述待处理任务在边缘服务器执行的比例，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，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。
8、结合第一方面，在第六种可能的实现方式中，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。
9、结合第一方面的第六种可能的实现方式，在第七种可能的实现方式中，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，为控制参数，为映射输出，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：；其中，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，表示所述生产者比例，表示所述生产者比例的上界，表示所述生产者比例的下界，表示当前迭代次数，表示最大迭代次数。
10、第二方面，本技术实施例提供了一种用于执行联合资源分配和隐私保护的mec任务卸载的方法的装置，所述设备包括：处理器；用于存储处理器可执行指令的存储器；所述处理器执行所述可执行指令时，实现如第一方面或第一方面任一种可能实现的方式所述的方法。
11、第三方面，本技术实施例提供了一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质包括用于存储计算机程序或指令，当该计算机程序或指令被执行时，使如第一方面或第一方面任一种可能实现的方式所述的方法被实现。
12、本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
13、本技术通过将多接入边缘计算任务卸载问题转化为基于通信模型、计算模型和联合隐私熵模型而建立的关联优化模型，实现了从资源分配角度和隐私保护角度解决在多接入边缘计算任务卸载过程中所产生的卸载决策不足以满足高任务处理效率、高资源分配效率、本地终端处理压力较大、额外数据传输过程中产生的能耗较多的问题。
14、同时，本技术通过对关联优化模型进行求解，得到了针对任务卸载策略、网络选择策略及资源分配策略的最优解。根据上述的任务卸载策略，按比例将任务分配至对应的卸载位置。根据网络选择策略，选择对应的网络以传输数据。最后通过资源分配策略将计算资源分配至对应的卸载位置。解决了在任务卸载过程中的资源分配问题以及对隐私的保护问题。实现了在任务卸载过程中对于资源分配的高效性以及安全性。同时，本技术能够实现在边缘服务器及其他终端之间的多端传输，减少了网络传输的占用率，提高了传输速度。
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：
2.根据权利要求1所述的方法，其特征在于，所述卸载位置包括终端、边缘服务器和云服务器。
3.根据权利要求2所述的方法，其特征在于，所述通信模型支持使用多个无线网络同时进行所述终端和所述边缘服务器之间的数据传输、所述边缘服务器和所述云服务器之间的数据传输。
4.根据权利要求1所述的方法，其特征在于，所述联合隐私熵模型，包括任务隐私熵和数据隐私熵；
5.根据权利要求1所述的方法，其特征在于，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：
6.根据权利要求5所述的方法，其特征在于，建立所述关联优化模型后，还包括：
7.根据权利要求1所述的方法，其特征在于，所述求解所述关联优化模型，包括：
8.根据权利要求7所述的方法，其特征在于，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：
9.一种用于执行联合资源分配和隐私保护的mec任务卸载的方法的装置，其特征在于，包括：
10.一种非易失性计算机可读存储介质，其特征在于，包括用于存储计算机程序或指令，当该计算机程序或指令被执行时，使如权利要求1至8中任一项所述的方法被实现。
