移動(dòng)邊緣計(jì)算下移動(dòng)Agent的任務(wù)安全遷移策略

郭欠霞,牛海春

(1.山西農(nóng)業(yè)大學(xué) 基礎(chǔ)部,山西 晉中 030801;2.山西碩成教育培訓(xùn)學(xué)校 研發(fā)部,山西 太原 030012)

隨著5G技術(shù)及人工智能(AI, Artificial Intelligence)的快速發(fā)展,虛擬/增強(qiáng)現(xiàn)實(shí)、深度學(xué)習(xí)、低時(shí)延直播[1]等新興科技逐漸應(yīng)用于移動(dòng)終端,移動(dòng)設(shè)備處理計(jì)算密集型和時(shí)間敏感型應(yīng)用任務(wù)與終端有限資源(電量、存儲(chǔ)、CPU、網(wǎng)絡(luò)等)的矛盾日益凸顯[2]。通過(guò)在移動(dòng)網(wǎng)絡(luò)邊緣為終端用戶提供低時(shí)延、高可用、低成本的IT服務(wù)環(huán)境和強(qiáng)大的云計(jì)算能力,將終端任務(wù)遷移到更接近用戶端的移動(dòng)邊緣計(jì)算(mobile edge computing, MEC)[3]迎來(lái)了它發(fā)展的一個(gè)契機(jī)。歐洲電信標(biāo)準(zhǔn)協(xié)會(huì)(European Telecommunications Standards Institute, ETSI)[4]于2014年建立了移動(dòng)邊緣計(jì)算規(guī)范工作組,并推動(dòng)了移動(dòng)邊緣計(jì)算的標(biāo)準(zhǔn)化。MEC通過(guò)深度融合5G移動(dòng)接入網(wǎng)與互聯(lián)網(wǎng)業(yè)務(wù),一方面用戶通過(guò)無(wú)線接入網(wǎng)絡(luò),從而節(jié)省了帶寬資源[5];另一方面通過(guò)將計(jì)算能力下沉到邊緣服務(wù)器節(jié)點(diǎn),為實(shí)現(xiàn)低時(shí)延服務(wù)提供了無(wú)限可能[6]。但是由于MEC環(huán)境下復(fù)雜的網(wǎng)絡(luò)環(huán)境(寬帶、蜂窩網(wǎng)、WIFI、藍(lán)牙等)、多變的計(jì)算環(huán)境(云端、邊緣端、終端等)、多樣的終端(手機(jī)、平板、智能手表及其他可移動(dòng)智能終端設(shè)備)以及不可控的各類用戶(安全用戶、惡意用戶)等諸多因素影響,因此MEC中終端任務(wù)的遷移計(jì)算存在重大安全隱患。大致可分為如下兩種:

第一種:中心節(jié)點(diǎn)控制力減弱

提供服務(wù)的邊緣節(jié)點(diǎn)集遠(yuǎn)離中心節(jié)點(diǎn),中心節(jié)點(diǎn)控制力減弱,許多傳統(tǒng)云計(jì)算的安全機(jī)制難以應(yīng)用,邊緣節(jié)點(diǎn)遭受攻擊及本身存在問(wèn)題的風(fēng)險(xiǎn)值增大。

第二種:邊緣節(jié)點(diǎn)集動(dòng)態(tài)變化

邊緣節(jié)點(diǎn)集是動(dòng)態(tài)變化的,邊緣節(jié)點(diǎn)集會(huì)隨著終端任務(wù)移動(dòng)而發(fā)生變化。隨著終端及用戶的移動(dòng),舊的邊緣節(jié)點(diǎn)退出邊緣節(jié)點(diǎn)集,新的邊緣節(jié)點(diǎn)加入進(jìn)來(lái),所以新節(jié)點(diǎn)的安全性需要驗(yàn)證,同時(shí)也要考慮新舊節(jié)點(diǎn)加入及退出對(duì)整個(gè)邊緣節(jié)點(diǎn)集安全影響。

目前,國(guó)內(nèi)外學(xué)者在任務(wù)遷移安全及可靠性等方面進(jìn)行了大量研究,其中ZengL等[7]指出云環(huán)境的工作流調(diào)度策略不僅要考慮CPU執(zhí)行時(shí)間,還需要考慮內(nèi)存、存儲(chǔ)容量及其他資源,提出一種安全和費(fèi)用感知工作流調(diào)度策略,該策略在市場(chǎng)可用的云服務(wù)商之間選中經(jīng)濟(jì)任務(wù)分配方案,為客戶提供更短的完工時(shí)間及安全服務(wù)。LI Zhongjin[8]考慮在科學(xué)工作流中任務(wù)的異構(gòu)特點(diǎn),提出一種安全和成本感知調(diào)度算法,使任務(wù)在滿足截止時(shí)間和風(fēng)險(xiǎn)約束的同時(shí),最小化工作流執(zhí)行成本。LIU J H等[9]提出了一種權(quán)衡遷移時(shí)延和可靠性的框架,設(shè)計(jì)基于啟發(fā)式搜索、重構(gòu)線性化技術(shù)和半定松弛3種算法來(lái)實(shí)現(xiàn)時(shí)延和可靠性的權(quán)衡。REZA R等[10]探討了遷移計(jì)算中的用戶隱私安全問(wèn)題,建議使用智能分區(qū)或動(dòng)態(tài)遷移,應(yīng)默認(rèn)采用“本地優(yōu)先”方法,在處理敏感數(shù)據(jù)時(shí)避免使用網(wǎng)絡(luò)。MTIBAA A[11]提出了一種名為HoneyBot的移動(dòng)邊緣計(jì)算平臺(tái)防御技術(shù),HoneyBot節(jié)點(diǎn)能夠探測(cè)、追蹤和區(qū)分D2D內(nèi)部攻擊。C. Zhou等[12]提出了一種基于智能免疫的安全防御系統(tǒng)來(lái)識(shí)別未授權(quán)的移動(dòng)用戶,通過(guò)識(shí)別功能、學(xué)習(xí)功能和調(diào)節(jié)功能保護(hù)整個(gè)系統(tǒng)的安全性,并提出了一種基于三階段的智能免疫算法。HUSSAIN M[13]等在移動(dòng)云計(jì)算中提出了一種任務(wù)卸載的信任度評(píng)估方法,基于移動(dòng)用戶對(duì)邊緣服務(wù)器的打分結(jié)果對(duì)邊緣服務(wù)器的聲譽(yù)進(jìn)行計(jì)算,為其他移動(dòng)用戶的任務(wù)卸載提供參考。

綜合上述文獻(xiàn)分析,大多數(shù)學(xué)者都對(duì)任務(wù)遷移過(guò)程的安全問(wèn)題進(jìn)行了一定的研究,但對(duì)于移動(dòng)邊緣計(jì)算下任務(wù)遷移同時(shí)考慮計(jì)算能力和安全能力的滿足需求情況下,并不能最大程度上確保計(jì)算任務(wù)遷移到服務(wù)節(jié)點(diǎn)的安全性。本文充分利用移動(dòng)Agent的遷移特性,并通過(guò)風(fēng)險(xiǎn)采集、風(fēng)險(xiǎn)計(jì)算和風(fēng)險(xiǎn)反饋流程構(gòu)建基于移動(dòng)Agent安全風(fēng)險(xiǎn)計(jì)算模型,然后用動(dòng)態(tài)的免疫算法對(duì)節(jié)點(diǎn)抗風(fēng)險(xiǎn)值進(jìn)行動(dòng)態(tài)免疫規(guī)劃,在任務(wù)計(jì)算和安全計(jì)算時(shí)間滿足任務(wù)截止時(shí)間的前提下實(shí)現(xiàn)任務(wù)遷移的安全能力最大化,研究并提出了移動(dòng)邊緣計(jì)算下移動(dòng)Agent任務(wù)安全遷移策略。

1 移動(dòng)Agent的安全風(fēng)險(xiǎn)模型

移動(dòng)Agent技術(shù)是一項(xiàng)涉及多類學(xué)科的、處于國(guó)際研究前沿的新興技術(shù),移動(dòng)Agent技術(shù)是internet和人工智能領(lǐng)域Agent相結(jié)合的產(chǎn)物[14]。移動(dòng)Agent通過(guò)封裝數(shù)據(jù)和代碼,可以同時(shí)攜帶多任務(wù)在異構(gòu)網(wǎng)絡(luò)環(huán)境下以異步自治的方式來(lái)執(zhí)行任務(wù)[15-16]。該計(jì)算模式與在地理上或邏輯上異構(gòu)部署的MEC環(huán)境完美契合。根據(jù)一定的遷移策略,移動(dòng)Agent裝載遷移任務(wù),將任務(wù)遷移到MEC環(huán)境中滿足需求的邊緣節(jié)點(diǎn)執(zhí)行。服務(wù)與邊緣節(jié)點(diǎn)存在唯一對(duì)應(yīng)關(guān)系,所有邊緣節(jié)點(diǎn)通過(guò)拓?fù)浣Y(jié)構(gòu)組成一個(gè)連通網(wǎng)絡(luò)(可靠或非可靠的)。

本文MEC環(huán)境下的移動(dòng)Agent任務(wù)風(fēng)險(xiǎn)架構(gòu)涉及三大部分,分別為環(huán)境交互模塊、風(fēng)險(xiǎn)計(jì)算模塊、記憶庫(kù)等模塊。移動(dòng)Agent任務(wù)風(fēng)險(xiǎn)架構(gòu)如圖1所示。

圖1 移動(dòng)Agent的任務(wù)風(fēng)險(xiǎn)計(jì)算架構(gòu)

其中,MEC環(huán)境交互模塊則動(dòng)態(tài)搜集用戶需求集,以及邊緣節(jié)點(diǎn)用戶位置、流量負(fù)載、風(fēng)險(xiǎn)發(fā)生概率等的相關(guān)實(shí)時(shí)信息。記憶庫(kù)保存需求類型與服務(wù)類型的對(duì)應(yīng)關(guān)系,以及邊緣節(jié)點(diǎn)的服務(wù)及抗風(fēng)險(xiǎn)能力等參數(shù),記憶庫(kù)的容量有限,它根據(jù)遷移策略進(jìn)行更新。

風(fēng)險(xiǎn)計(jì)算模塊采用管道/過(guò)濾器風(fēng)格進(jìn)行構(gòu)建,每個(gè)模塊都有一組輸入和輸出,構(gòu)件讀取輸入的數(shù)據(jù)流,經(jīng)過(guò)內(nèi)部處理,然后產(chǎn)生輸出數(shù)據(jù)流。這種風(fēng)格的連接件支持不同類型的風(fēng)險(xiǎn)計(jì)算模型的組合及并行處理,因此將整個(gè)系統(tǒng)的輸入/輸出行為看成是多個(gè)風(fēng)險(xiǎn)計(jì)算模塊行為的有機(jī)組合。

風(fēng)險(xiǎn)計(jì)算模型由風(fēng)險(xiǎn)采集組件、風(fēng)險(xiǎn)處理和風(fēng)險(xiǎn)反饋三個(gè)組件以及它們之間的連接單元組成,其中風(fēng)險(xiǎn)采集組件主要實(shí)現(xiàn)遷移節(jié)點(diǎn)的風(fēng)險(xiǎn)相關(guān)數(shù)據(jù)采集,風(fēng)險(xiǎn)處理模塊主要實(shí)現(xiàn)風(fēng)險(xiǎn)數(shù)據(jù)的計(jì)算處理,風(fēng)險(xiǎn)反饋組件主要實(shí)現(xiàn)風(fēng)險(xiǎn)值的記錄及更新。風(fēng)險(xiǎn)計(jì)算模型,如圖2所示。

圖2 風(fēng)險(xiǎn)計(jì)算模型

移動(dòng)Agent通過(guò)封裝需求、風(fēng)險(xiǎn)計(jì)算以及記憶庫(kù)等模塊在該模型中,當(dāng)移動(dòng)Agent遷移到MEC環(huán)境下的某一個(gè)邊緣節(jié)點(diǎn)時(shí),遷移規(guī)劃模塊會(huì)動(dòng)態(tài)獲取當(dāng)前MEC環(huán)境中符合需求類型的服務(wù)集合,然后根據(jù)一定的遷移策略完成移動(dòng)Agent的任務(wù)遷移。遷移成功后,風(fēng)險(xiǎn)計(jì)算模塊則動(dòng)態(tài)更新記憶庫(kù)信息,以實(shí)現(xiàn)服務(wù)參數(shù)信息的實(shí)時(shí)更新。

風(fēng)險(xiǎn)采集組件負(fù)責(zé)對(duì)MEC環(huán)境邊緣節(jié)點(diǎn)的風(fēng)險(xiǎn)數(shù)據(jù)采集。移動(dòng)Agent的遷移任務(wù)對(duì)不同的風(fēng)險(xiǎn)類型有不同的期望值,同時(shí)不同邊緣節(jié)點(diǎn)也能提供對(duì)應(yīng)類型的安全保障。移動(dòng)Agent在任務(wù)遷移到下一個(gè)目標(biāo)節(jié)點(diǎn)前,遷移規(guī)劃模塊會(huì)對(duì)MEC環(huán)境的各邊緣節(jié)點(diǎn)的安全風(fēng)險(xiǎn)進(jìn)行采集。移動(dòng)Agent采集過(guò)程中組件會(huì)與不同邊緣節(jié)點(diǎn)進(jìn)行直接信息交互,同時(shí)組件還會(huì)受到第三方邊緣節(jié)點(diǎn)的間接信息推薦,因此,組件會(huì)綜合直接和間接兩個(gè)方面進(jìn)行遷移任務(wù)的風(fēng)險(xiǎn)信息采集。

風(fēng)險(xiǎn)處理模塊主要負(fù)責(zé)接收不同類別風(fēng)險(xiǎn)采集模塊傳過(guò)來(lái)的初始風(fēng)險(xiǎn)數(shù)據(jù),并通過(guò)數(shù)據(jù)清洗、數(shù)據(jù)集成、數(shù)據(jù)計(jì)算等步驟來(lái)通過(guò)計(jì)算風(fēng)險(xiǎn)值來(lái)量化目標(biāo)節(jié)點(diǎn)的抗風(fēng)險(xiǎn)能力。

風(fēng)險(xiǎn)處理模塊計(jì)算出節(jié)點(diǎn)的抗風(fēng)險(xiǎn)能力后,風(fēng)險(xiǎn)反饋組件負(fù)責(zé)更新服務(wù)節(jié)點(diǎn)風(fēng)險(xiǎn)值的記錄,并輸出到移動(dòng)Agent的記憶庫(kù)中或者作為其它的風(fēng)險(xiǎn)采集組件的信息采集來(lái)源。如果用戶或邊緣節(jié)點(diǎn)發(fā)生移動(dòng),MEC節(jié)點(diǎn)集的安全能力也會(huì)動(dòng)態(tài)發(fā)生變化,即舊節(jié)點(diǎn)的退出或新節(jié)點(diǎn)的加入,此時(shí)節(jié)點(diǎn)抗風(fēng)險(xiǎn)能力會(huì)發(fā)生變化。

2 移動(dòng)Agent的安全風(fēng)險(xiǎn)計(jì)算策略

2.1 免疫算法的目標(biāo)優(yōu)化

動(dòng)態(tài)免疫算法的目標(biāo)優(yōu)化方法優(yōu)化了MEC環(huán)境下的任務(wù)安全遷移策略,根據(jù)得到的最優(yōu)遷移目標(biāo)得到近似任務(wù)抗風(fēng)險(xiǎn)能力最大化的目標(biāo)。由于MEC環(huán)境邊緣節(jié)點(diǎn)抗風(fēng)險(xiǎn)能力的優(yōu)化目標(biāo)是一個(gè)NP問(wèn)題,傳統(tǒng)算法僅適用于問(wèn)題規(guī)模比較小的情況,當(dāng)問(wèn)題的解空間隨著規(guī)模的增大而呈現(xiàn)指數(shù)級(jí)增長(zhǎng)時(shí),傳統(tǒng)算法往往無(wú)法解決,免疫算法則可以用較低的復(fù)雜度和較短的計(jì)算時(shí)間得到問(wèn)題的最優(yōu)解。因此本文設(shè)計(jì)了一種動(dòng)態(tài)免疫算法來(lái)優(yōu)化該問(wèn)題以保障需求計(jì)算時(shí)間和安全計(jì)算時(shí)間之和滿足任務(wù)截止時(shí)間的基礎(chǔ)上,實(shí)現(xiàn)任務(wù)遷移的抗風(fēng)險(xiǎn)能力Ah最大化。

免疫算法(Immune Algorithm, IA)[17]是以人工免疫系統(tǒng)理論為基礎(chǔ),在體細(xì)胞理論和網(wǎng)絡(luò)理論的啟發(fā)下,實(shí)現(xiàn)的類似于生物免疫系統(tǒng)的抗原識(shí)別、細(xì)胞分化、記憶和自我調(diào)節(jié)功能的一類智能優(yōu)化算法。免疫算法通過(guò)讓種群的抗體不斷促進(jìn)、抑制等相互作用進(jìn)化產(chǎn)生新的抗體,在一定迭代次數(shù)后得到近似最優(yōu)的抗體。本文通過(guò)引入免疫算法,用戶需求和邊緣節(jié)點(diǎn)服務(wù)能力統(tǒng)一定義在抗原和抗體種群中,在實(shí)際任務(wù)遷移的服務(wù)節(jié)點(diǎn)選擇上,同時(shí)考慮滿足任務(wù)的計(jì)算需求和安全需求,移動(dòng)Agent安全風(fēng)險(xiǎn)計(jì)算模型進(jìn)行動(dòng)態(tài)免疫規(guī)劃。下面具體介紹基于動(dòng)態(tài)免疫算法的任務(wù)安全遷移策略。

親和度算子:免疫規(guī)劃通過(guò)親和度函數(shù)來(lái)評(píng)價(jià)抗體的優(yōu)劣程度,親和度的大小表示了抗體與抗原(或者抗體)的匹配程度,親和度值越高則代表抗體越能滿足抗原的需求,選中的概率越大。本文中,親和度的計(jì)算涉及計(jì)算能力、時(shí)長(zhǎng)、風(fēng)險(xiǎn)值等眾多要素。親和度計(jì)算如式(1)所示。

(1)

式(1)中,f(Agm,Abn)表示邊緣節(jié)點(diǎn)中抗體Abn與對(duì)應(yīng)抗原Agm的親和度,L1、L2分別表示抗體服務(wù)能力維度和抗體抗風(fēng)險(xiǎn)維度,cn,q和dm,q分別表示抗原Agm的第q維需求值和抗體Abn的第q維服務(wù)能力值,cn,p和dm,p分別表示抗原Agm的第p維風(fēng)險(xiǎn)值和抗體Abn的第p維抗風(fēng)險(xiǎn)值,γ及λ為調(diào)整因子,并且γ+λ=1。

抗體庫(kù)中的每一個(gè)服務(wù)值同時(shí)對(duì)應(yīng)著抗原的一個(gè)需求值,為避免單個(gè)維度的參數(shù)過(guò)大或過(guò)小對(duì)整體親和度值的影響,這里定義G(x)為調(diào)整函數(shù),xm,p>0,xn,p>0,則G(x)計(jì)算如式(2)所示。

(2)

式(2)中,調(diào)整函數(shù)G(x)為分段函數(shù),G(x)函數(shù)值大于1并且最大值收斂于1。xm,p和xn,p分別表示抗體Abm的第p維需求值和抗體Abn的第q維服務(wù)值,xm,p/xn,p的值可以看作是連續(xù)的。

由親和度定義可知,抗體的產(chǎn)生不僅受到抗原的刺激,同時(shí)也受到已有抗體的影響,因此同樣需要計(jì)算抗體間的親和度。并且,抗體間親和度的計(jì)算具有方向性,抗體Abm與抗體Abn的相互作用的親和度之和為0,如式(3)所示。

f(Abm,Abn)+f(Abn,Abm)=0

(3)

濃度算子:抗體濃度在一定程度上反映了抗體種群的多樣性,當(dāng)某種抗體濃度過(guò)高時(shí),就說(shuō)明抗體種群中的同類型抗體趨于過(guò)度集中,可能會(huì)出現(xiàn)局部最優(yōu)化,進(jìn)而使算法過(guò)早成熟。因此需要對(duì)濃度過(guò)高的抗體進(jìn)行抑制,以保證抗體種群的多樣性?？贵w濃度計(jì)算如式(4)所示。

(4)

式(4)中,d(Abi)為邊緣節(jié)點(diǎn)集合中的抗體濃度,M為邊緣節(jié)點(diǎn)中的抗體個(gè)數(shù),S(Abi,Abj)代表兩個(gè)抗體Abi和Abj之間的相似度,相似度計(jì)算如式(5)所示。

(5)

式(5)中,f(Abi,Abj)表示抗體Abi和Abj之間的親和度;s為相似度閾值。

期望值算子:對(duì)抗體的質(zhì)量進(jìn)行評(píng)價(jià)需要綜合考慮抗體的親和度和抗體濃度兩個(gè)方面,通過(guò)計(jì)算抗體的期望值,可以消除那些低期望值的抗體,促進(jìn)高親和度、低濃度的個(gè)體,因此期望值的選擇影響邊緣節(jié)點(diǎn)任務(wù)的安全遷移。期望值函數(shù)計(jì)算如式(6)所示。

e(xi)=αf(xi)-βd(xi)

(6)

式(6)中,e(xi)代表抗體xi的期望值,f(xi)和d(xi)分別代表抗體親和度和抗體濃度,α、β分別代表抗體親和度和抗體濃度的權(quán)重系數(shù)。在一般情況下,親和度較大而濃度較低的抗體應(yīng)該具有較高的期望值。通過(guò)這個(gè)公式能有效地抑制相似抗體的數(shù)量,避免免疫算法的未成熟收斂。

2.2 移動(dòng)Agent的動(dòng)態(tài)免疫算法

MEC環(huán)境下的免疫規(guī)劃,移動(dòng)Agent通過(guò)裝載遷移任務(wù),根據(jù)風(fēng)險(xiǎn)計(jì)算模塊計(jì)算各節(jié)點(diǎn)抗風(fēng)險(xiǎn)值并遷移到符合用戶需求的邊緣節(jié)點(diǎn)。本文中的動(dòng)態(tài)免疫算法首先抽取抗原和抗體特征值,然后計(jì)算親和度算子、計(jì)算濃度算子及期望值算子,最后通過(guò)動(dòng)態(tài)抗體的促進(jìn)及抑制,以及更新記憶庫(kù)信息等幾個(gè)方面進(jìn)行最終目標(biāo)節(jié)點(diǎn)的選擇。移動(dòng)Agent動(dòng)態(tài)免疫算法流程圖,如圖3所示。

圖3 移動(dòng)Agent動(dòng)態(tài)免疫算法流程圖

動(dòng)態(tài)免疫算法的詳細(xì)步驟如下:

Step1:初始化抗原。移動(dòng)Agent運(yùn)行內(nèi)核根據(jù)需求發(fā)起任務(wù)遷移請(qǐng)求,免疫模塊根據(jù)用戶需求集合解析出抗原Ag,并抽取多維度需求特征集,然后提交給記憶庫(kù)。

Step2:風(fēng)險(xiǎn)值計(jì)算。風(fēng)險(xiǎn)計(jì)算模塊通過(guò)風(fēng)險(xiǎn)采集、風(fēng)險(xiǎn)處理及風(fēng)險(xiǎn)反饋三個(gè)組件計(jì)算邊緣節(jié)點(diǎn)抗風(fēng)險(xiǎn)值,并更新到移動(dòng)Agent記憶庫(kù)中。

Step3:生成抗體集。記憶庫(kù)受到抗原Ag刺激,根據(jù)需求-服務(wù)關(guān)系過(guò)濾出邊緣節(jié)點(diǎn)對(duì)應(yīng)的資源服務(wù)類型及操作,剔除需求計(jì)算時(shí)間和安全計(jì)算時(shí)間不滿足任務(wù)截止時(shí)間的節(jié)點(diǎn),生成抗體集。

Step4:期望值算子計(jì)算。根據(jù)公式計(jì)算抗體的親和度算子、濃度算子及對(duì)應(yīng)期望值算子,期望值是評(píng)價(jià)一個(gè)抗體優(yōu)劣的標(biāo)準(zhǔn)。

Step5:抗體的促進(jìn)與抑制?？贵w種群中某種抗體濃度過(guò)高時(shí),可能會(huì)出現(xiàn)局部最優(yōu)化問(wèn)題,因此需要對(duì)濃度過(guò)高的抗體進(jìn)行抑制,算法返回到Step3繼續(xù)執(zhí)行。

Step6:抗體選擇。根據(jù)輪盤賭選擇算法對(duì)期望值滿足閾值條件的節(jié)點(diǎn)進(jìn)行選擇,移動(dòng)Agent進(jìn)行任務(wù)遷移。

Step7:記憶庫(kù)更新。若移動(dòng)Agent遷移成功,抗體集把親和度高于原記憶細(xì)胞的n個(gè)抗體信息更新到記憶庫(kù)中,以維持多樣性;若移動(dòng)Agent遷移失敗,則跳回到Step2繼續(xù)執(zhí)行,直到任務(wù)遷移成功。

在移動(dòng)Agent遷移成功以后,風(fēng)險(xiǎn)計(jì)算模塊需要對(duì)記憶庫(kù)進(jìn)行維護(hù),維護(hù)的準(zhǔn)則遵循抗體的演化,包括抗體的類型變遷、邊緣節(jié)點(diǎn)信息更新等操作,這樣就使得抗體的信息能夠準(zhǔn)確地反映當(dāng)前狀態(tài)下邊緣節(jié)點(diǎn)的信息。

3 實(shí)驗(yàn)及性能分析

3.1 仿真環(huán)境設(shè)置

在視頻直播等高并發(fā)低延時(shí)場(chǎng)景中,直播音視頻任務(wù)通過(guò)MEC邊緣節(jié)點(diǎn)就近處理各項(xiàng)子任務(wù),如直播加水印、鑒黃/截圖、錄制、轉(zhuǎn)碼和分發(fā)等,以實(shí)現(xiàn)任務(wù)的網(wǎng)絡(luò)低時(shí)延,大幅度提升用戶體驗(yàn)感。本實(shí)驗(yàn)通過(guò)MATLAB R2018b模擬MEC下?lián)碛?0個(gè)邊緣節(jié)點(diǎn)服務(wù)器的處理視頻直播任務(wù)的場(chǎng)景,對(duì)應(yīng)于200次的任務(wù)安全遷移進(jìn)行了仿真分析,任務(wù)的抗風(fēng)險(xiǎn)能力愈強(qiáng)則其被攻擊的概率愈小,因此本文用遷移任務(wù)被攻擊概率進(jìn)行結(jié)果的對(duì)比。實(shí)驗(yàn)中預(yù)設(shè)了多臺(tái)惡意主機(jī),以增大移動(dòng)Agent的遷移任務(wù)中的被攻擊概率,并在實(shí)驗(yàn)?zāi)M了幾種常見(jiàn)的攻擊,如DDOS攻擊、非法授權(quán)、代碼篡改以及其他攻擊。仿真參數(shù)設(shè)置如表1所示。

表1 仿真參數(shù)

3.2 仿真結(jié)果分析

實(shí)驗(yàn)采用了三種算法分別模擬了移動(dòng)Agent攜帶直播任務(wù)進(jìn)行了200次任務(wù)遷移,并以遷移結(jié)果的被攻擊率進(jìn)行對(duì)比分析。一種是本文提出的移動(dòng)Agent的動(dòng)態(tài)免疫算法,通過(guò)對(duì)邊緣節(jié)點(diǎn)信息特征形成抗體集,由風(fēng)險(xiǎn)計(jì)算模塊進(jìn)行遷移選擇,對(duì)比方法則是一般的選擇算法以及一般免疫算法。不同算法被攻擊率結(jié)果變化曲線,如圖4所示。

圖4 不同算法被攻擊率變化曲線

由圖4中可以看出,三種算法在任務(wù)遷移的初級(jí)階段被攻擊的概率都比較高,基本維持在45%左右,但是隨著遷移次數(shù)的增加,一般免疫算法及動(dòng)態(tài)免疫算法因其具有記憶功能而被攻擊率出現(xiàn)了顯著的下降,并且遷移后期基本不再受到攻擊風(fēng)險(xiǎn)的影響;對(duì)比一般免疫算法及動(dòng)態(tài)免疫算法可知,由于動(dòng)態(tài)免疫算法需要計(jì)算邊緣節(jié)點(diǎn)的抗風(fēng)險(xiǎn)能力等情況,在遷移初期會(huì)出現(xiàn)被攻擊概率比一般免疫算法略高的情況,但隨著遷移次數(shù)的增加,動(dòng)態(tài)免疫算法的被攻擊概率較一般免疫算法出現(xiàn)了更大幅度的下降,且更早趨于穩(wěn)定狀態(tài)。

實(shí)驗(yàn)采用三種不同的系數(shù)分別對(duì)三種算法模擬移動(dòng)Agent攜帶直播任務(wù)進(jìn)行了200次的任務(wù)遷移,并以遷移結(jié)果的被攻擊率進(jìn)行對(duì)比分析。當(dāng)α=0.1,β=0.9時(shí),抗險(xiǎn)值受間接抗風(fēng)險(xiǎn)能力影響較大;當(dāng)α=0.5,β=0.5時(shí),表示抗險(xiǎn)值受直接抗風(fēng)險(xiǎn)能力和間接抗風(fēng)險(xiǎn)能力影響相同;當(dāng)α=0.9,β=0.1時(shí),表示抗險(xiǎn)值受直接抗風(fēng)險(xiǎn)能力影響較大。通過(guò)分析可以看出,三種系數(shù)的移動(dòng)Agent在遷移前期的被攻擊率都比較高,但是隨著遷移次數(shù)的增加被攻擊率都快速降到了較低的狀態(tài),但是當(dāng)β影響因子較大時(shí),由于遷移初始階段的間接抗風(fēng)險(xiǎn)數(shù)據(jù)搜集不足,所以對(duì)目標(biāo)節(jié)點(diǎn)的選擇存在誤差,因此初始階段參數(shù)β值越大,移動(dòng)Agent被攻擊率越大。

一般選擇算法下系數(shù)與被攻擊率曲線圖,如圖5所示。

圖5 一般選擇算法下系數(shù)與被攻擊率曲線圖

可以看出隨著遷移次數(shù)的增加,移動(dòng)Agent的被攻擊率出現(xiàn)了一定程度的下降,但是被攻擊率波動(dòng)相對(duì)比較大。

一般免疫算法下系數(shù)與被攻擊率曲線圖,如圖6所示。

圖6 一般免疫算法下系數(shù)與被攻擊率曲線圖

可以看出隨著遷移次數(shù)的增加,移動(dòng)Agent的被攻擊率出現(xiàn)了一定程度的下降,并且逐漸趨于穩(wěn)定狀態(tài)。但是在遷移初期,由于間接風(fēng)險(xiǎn)的數(shù)據(jù)不足,所以對(duì)目標(biāo)節(jié)點(diǎn)的選擇存在誤差,因此初始階段參數(shù)β值越大,移動(dòng)Agent被攻擊率越大。

本文提出的動(dòng)態(tài)免疫算法下系數(shù)與被攻擊率曲線圖,如圖7所示。

圖7 動(dòng)態(tài)免疫算法下系數(shù)與被攻擊率曲線圖

可以看出隨著遷移次數(shù)的增加,移動(dòng)Agent的被攻擊率出現(xiàn)了快速的下降,并且最終趨于一個(gè)穩(wěn)定狀態(tài)。

上述實(shí)驗(yàn)的模擬結(jié)果表明,本文提出的移動(dòng)邊緣計(jì)算環(huán)境下移動(dòng)Agent的任務(wù)安全遷移免疫算法的任務(wù)遷移過(guò)程中被攻擊概率明顯低于對(duì)比的一般選擇算法及一般免疫算法,在一定程度上保障了移動(dòng)Agent的安全遷移過(guò)程。

結(jié)語(yǔ)

MEC下移動(dòng)Agent的任務(wù)安全遷移策略,通過(guò)借助移動(dòng)Agent代理技術(shù),并結(jié)合MEC的環(huán)境特點(diǎn),充分利用移動(dòng)Agent的遷移特性,構(gòu)建了移動(dòng)Agent安全風(fēng)險(xiǎn)計(jì)算模型,并通過(guò)風(fēng)險(xiǎn)采集、風(fēng)險(xiǎn)計(jì)算和風(fēng)險(xiǎn)反饋流程綜合評(píng)估邊緣節(jié)點(diǎn)的抗風(fēng)險(xiǎn)值,然后用動(dòng)態(tài)的免疫算法對(duì)節(jié)點(diǎn)抗風(fēng)險(xiǎn)值進(jìn)行動(dòng)態(tài)免疫規(guī)劃,在任務(wù)計(jì)算和安全計(jì)算時(shí)間滿足任務(wù)截止時(shí)間的前提下實(shí)現(xiàn)任務(wù)遷移的安全能力最大化。最后實(shí)驗(yàn)結(jié)果表明,本文提出的任務(wù)安全遷移方案在MEC中大大降低了遷移任務(wù)的被攻擊率,具有一定的魯棒性。