移动边缘计算环境下基于信任模型的可靠多重计算卸载策略

齐 平,王福成,徐 佳,李学俊

(1铜陵学院 数学与计算机学院,安徽 铜陵 244000;

0 引言

随着智能终端的普及和快速发展，以及各类应用服务(如虚拟现实、人脸识别等)的不断涌现，用户对移动设备的数据处理效率和服务质量需求日益提高。然而，尽管移动设备的数据处理能力越来越强，却依然无法在短时间处理计算量巨大的应用任务[1-2]。与此同时，在电池电量的快速消耗和电池容量的限制下，应用程序在移动设备上的用户体验也会受到巨大影响。为解决上述问题，移动边缘计算(Mobile Edge Computing, MEC)得到了广泛的研究和应用。移动边缘计算将云计算、边缘计算与移动计算相结合，通过将应用卸载到云端或边缘服务器以解决移动设备在计算性能、存储空间和能效等方面的不足。由于在边缘计算的环境下一般假定边缘服务器在移动设备附近，与传统的移动云计算相比，移动边缘计算还能够减少网络时延以获得更快的响应速度，以保障业务应用的实时性需求[3]。

计算卸载技术是移动边缘计算的关键技术，主要包括卸载决策和资源分配方案。卸载决策是根据应用的相关属性(如任务负载、数据量等)，综合考虑能耗、可靠性、用户响应时间约束等服务质量需求，制定最佳卸载策略(如卸载哪些应用任务，卸载至何处等);资源分配则侧重于移动设备在实现卸载后如何分配资源[4]。目前，移动边缘计算环境下的计算卸载技术研究主要集中在以下两方面：

(1)时延优化 当应用任务在移动设备执行时，时延为应用的本地执行时间；而如将应用任务卸载至云端或者边缘服务器，耗费时间则由数据传输时间、应用处理时间和执行结果接收时间组成。根据不同的应用场景，出现了大量以降低时延为目标的研究。文献[5]提出基于协作的计算卸载策略，该策略对应用任务进行分类，将计算密集型任务卸载到云服务器，而将通信密集型任务卸载至边缘服务器，以更好地利用计算资源池，从而最小化任务完成时间。文献[6]提出一种移动云计算下的多用户卸载策略，该方法通过筛选法将带宽约束下的任务完成时间优化问题转换为经典的0-1背包问题，进而采用动态规划算法进行求解，从而获得更快的卸载响应时间和任务完成时间。

(2)能耗优化 由于移动设备电池容量的限制，能耗优化问题一直是移动边缘计算环境下计算卸载的重要优化目标之一。以降低能耗为目标的卸载决策主要分为以降低移动设备自身能耗为目标的卸载决策和以降低系统总体能耗为目标的卸载决策两类。文献[7]提出一种基于能耗感知的计算卸载策略。该策略充分考虑移动设备的剩余能量，以迭代搜索算法结合内罚函数查找最佳的计算卸载和资源分配方案，以降低系统的总体能耗。文献[8]针对不同的移动云计算服务领域，通过数据分析及搜索传递路径来优化移动设备能耗和任务完成时间，同时尽可能满足用户的服务质量需求。文献[9]提出一种基于工作流动态关键路径和本地计算量的两阶段调度算法，通过在调度过程中动态更新关键路径，有效避免了移动边缘环境动态变化对调度结果的影响。文献[10]提出基于能耗优化的多重资源计算卸载策略，对移动边缘计算环境中云、边、端3类资源进行综合考虑，能够在保证工作流响应时间的约束条件下充分降低边缘设备能耗。

由于能耗和任务完成时间都直接影响用户体验，以权衡能耗和时延为目标的卸载决策正逐步成为计算卸载技术的研究热点[11-12]。然而，在拥有大量计算资源的移动边缘计算环境中，边缘设备接入的多样性、移动终端的资源受限性将不可避免地导致边缘服务器、大量移动终端以及网络通信链路的不可靠性。而应用任务的执行失败对移动边缘计算环境下的工作流任务调度将造成极大的影响，甚至发生拓扑堵塞、消息队列溢出等灾难性故障。虽然在传统云计算和移动云计算领域，基于集中管理的可靠调度机制和信任模型得到了广泛的关注和研究[13]。但在移动边缘计算环境中，一方面移动设备存在存储、计算和电池容量等方面的资源限制，使得较为复杂的访问控制措施、可靠调度算法在移动边缘计算环境中无法适用；另一方面，移动边缘计算涉及云端、边缘服务器以及大量移动终端参与的资源供给、访问和数据传输与计算，传统的可靠性计算模型和处理方式已不足以支持以物联网感知为背景的应用任务的执行和海量数据的处理。

当前信任管理模型在移动边缘计算领域的研究，特别是基于信任模型的计算卸载策略研究仍然较少，大多数相关研究仍集中在移动云计算环境下，对用户之间的信任关系进行分析。文献[14]定义了混合云计算环境中基于贝叶斯网络的信任模型，通过私有云评估各类公共云服务的信任度，并进行管理，然而该模型主要针对混合云环境下存在的自私节点和恶意节点问题；文献[15]采用动态的电压频率调制和功率控制技术优化应用执行过程和数据传输过程，能够在一定程序上降低计算卸载失败的风险，但该算法的主要优化目标是任务时延最小化，并未考虑服务资源和网络通信链路的可靠性问题；文献[16]考虑车联网节点的高速移动性，构建了车联网路由信任模型以实现车联网节点的信任量化管理，但该模型没有考虑计算卸载问题，且无法直接应用于大多数移动边缘计算场景；文献[17]对边缘计算环境中数据安全、访问控制和隐私保护等关键技术的扩展性和适应性进行了分析；文献[18]构建了移动边缘计算环境下资源和用户的身份信任、行为信任评价机制，研究面向多重约束的边缘计算任务卸载和资源调度方案。该方法采用3维欧氏距离表示任务和节点的匹配程度，使用广度优先搜索遍历任务拓扑，有利于快速响应以提升用户体验质量(Quality of Experience, QoE)，但该方法需要预先设定各任务的CPU资源需求及内存需求，且构建的计算卸载策略和任务调度模型较为简易。

针对上述问题，迫切需要设计一种计算卸载策略，以使任务分配到值得信任的计算资源上执行，同时尽可能减小任务执行时间，降低执行失败的概率。本文综合考虑移动边缘计算环境中多种类型的计算资源，根据各类计算资源的应用任务执行特性分别构建其可信度计算方法，提出了基于信任模型的可靠多重计算卸载策略，并对移动边缘计算环境中任务调度方案可靠性的适应度进行计算；最后，结合工作流管理系统，提出基于可靠多重计算卸载策略的粒子群任务调度算法。

1 问题建模

在移动边缘计算环境中，如图1所示，计算卸载策略包括不卸载、完全卸载、部分卸载与多重卸载4类。其中，不卸载是指将计算任务完全放置于移动终端执行；完全卸载指计算任务全部卸载至云服务器或者边缘服务器；部分卸载指计算任务部分卸载至云服务器或者边缘服务器，其余计算任务仍旧在移动终端执行；多重卸载是将部分计算任务同时卸载至云服务器和边缘服务器，而剩余任务仍在移动终端执行。本章首先对移动边缘计算环境下的工作流任务模型进行建模描述，然后给出一个工作流任务示例，最后对基于信任模型的可靠卸载适应度计算方法进行简要说明。

1.1 工作流任务模型

在移动边缘计算环境下，本文通过一个加权有向无环图(Directed Acyclic Graph, DAG)描述工作流中任务执行的先后依赖关系，具体定义如下：

定义1工作流任务集合。W可表示为三元组，由v个具有偏序关系的应用任务组成，W={wi|wi=(INi,OUTi,li),i∈v}，其中：wi为工作流任务中第i个任务，INi为任务wi的输入数据量，OUTi为任务wi的输出数据量，li为任务负载。工作流任务之间的依赖关系使用V进行描述，V={(wpre,wsucc)|wpre,wsucc∈W}，其中：wpre为前驱任务，wsucc为后继任务。

在移动边缘计算环境下，计算资源包括云服务器，边缘服务器和移动终端，分别定义如下：

定义2云服务器CC表示为三元组，CC=(fcc,Rcc,Φcc)，其中：fcc表示云数据中心虚拟机CC的计算能力，Rcc表示数据的发送和接收速率，Φcc为其可信度。

定义3边缘服务器集合ES可表示为四元组，由u台边缘服务器构成，ES={esj|esj=(fesj,Resj,BWesj,Φesj),j∈[1,u]}，其中：fesj为边缘服务器esj的计算能力，Resj表示边缘服务器esj的数据发送和接收速率，BWesj为传输带宽；Φesj为其可信度。

定义4移动终端MT可表示为五元组，MT=(fmt,Memory,BWmt,Φmt,RS),其中fmt为移动终端的计算能力；Memory为其内存大小；BWmt为传输带宽；Φmt为移动终端可信度，RS为移动终端运行状态，由移动终端CPU利用率、内存占用率及网络带宽占用率组成。

当计算任务卸载至边缘服务器时，应考虑移动设备与边缘服务器的数据传输问题。本文设定边缘服务器esj的发送速率和接收速率Resj与距离(移动终端和边缘服务器esj之间的距离)、传输带宽BWesj和传输信噪比相关，定义如下：

定义5设定BWesj为边缘服务器esj的传输带宽，则移动终端与边缘服务器esj之间的瞬时数据传输速率可表示为：

Resj=BWesjlog2(1+fSNR(dj))。

(1)

式中：fSNR(dj)为传输信噪比[9]，dj为移动终端和边缘服务器esj之间的距离。

1.2 工作流示例

以智慧医疗场景下一个简单的患者理化指标监控工作流为例进行阐述，如图2所示，该工作流包括6个任务，各任务负载与数据量如表1所示。假定云数据中心虚拟机、边缘服务器虚拟机以及移动终端的执行速率分别为8 GHz，3 GHz和1 GHz，可信度分别为0.9,0.7和0.8；云数据中心和边缘服务器的数据传输速率分别为15 MB/s和30 MB/s；响应时间约束为10 s。

基于表1所示的工作流实例，首先计算不卸载、完全卸载、部分卸载和多重卸载4种卸载方案所需时间，再根据云数据中心虚拟机、边缘服务器虚拟机以及移动终端预先假定的可信度值，计算其可靠卸载的适应度。

表1 任务负载与数据量

如图3所示，4种方案的任务完成时间分别为14 s，6.33 s，8.73 s和6.72 s，其中不卸载方案不满足任务响应时间约束，导致任务执行失败。根据移动边缘环境下计算资源的可信度，计算可靠卸载适应度分别为17.5，9.04，11.67和8.86，因此采用多重卸载方案较为适合。实际上，其他3类计算卸载策略可作为多重卸载策略的特殊形式，包含于多重卸载策略的解空间中。

2 可靠多重计算卸载策略

在移动边缘计算环境中，由于边缘服务器、大量移动终端以及网络通信链路的不可靠性不可避免，而现有计算卸载策略仅考虑了能耗和时延优化，没有对移动边缘计算环境中计算资源的可靠性进行评估。因此，本文在文献[10]构造的多重计算卸载模型的基础上，提出一种基于信任模型的可靠多重计算卸载策略，该策略能使应用任务分配到值得信任的计算资源上执行，同时尽可能减小任务执行时间。

2.1 信任模型

参考社会学的人际关系信任模型[19]，信任是对个体可信行为的一种评估，而个体的可信程度往往由其他个体的推荐信息决定。移动边缘计算环境下的“信任”和人际关系信任模型有很大的相似性。例如移动终端A附近存在边缘服务器B1,B2和B3，移动终端A会根据其与B1,B2和B3的协作成功与否，以及B1,B2和B3的具体性能，选择合适的边缘服务器进行计算卸载。与此同时，信任关系并不是恒定不变的，而是进行着动态变化。正如在社交网络中，个体对其他个体的了解会随着时间的推移和交互的增多而逐步稳定，在移动边缘计算环境中移动终端A也会根据协作的成功与否逐步改变、调整对其他计算资源的信任度。下文根据边缘服务器、云服务器以及移动终端的不同任务执行特性，分别给出其可信度计算方法。

(1)边缘服务器可信度

(2)

式中：n为MT对边缘服务器esj的直接交互样本数；λ∈(0,1)为信任度调节因子，表明对直接信任度和推荐信任度的相信程度。

1)直接信任度计算

设命题Y为“在已有的n次历史交互过程中，交互成功次数为α次且第n+1次交互结果为成功”，则该命题中交互概率密度函数的期望值可表达为对目标资源未来成功交互概率的预测，即交互样本的直接信任度，如式(3)所示：

(3)

然而，如上文所述，当MT和esj之间没有进行交互或者交互次数过少时，样本数量不足以支持信任值评估，因此需要计算最小样本容量n0。本文根据区间估计给出n0的计算方法。

(4)

本文首先选择置信度阈值γ0，再通过该置信度阈值计算最小样本容量n0：

(5)

2)推荐信任度计算

如图4b所示，在进行推荐信任度计算时，由于推荐信息是由两类直接交互信息构成，且两类交互信息满足独立同分布。因此，推荐信任度的计算仍可使用上述方法。

设移动边缘计算环境中，移动终端MT和边缘服务器esk之间交互次数为n1，其中成功交互α1次，失败交互β1次；边缘服务器esk与边缘服务器esj之间交互次数为n2，其中成功交互α2次，失败交互β2次，则移动终端MT通过边缘服务器esk对边缘服务器esj的推荐信任度评估值

(6)

3)信任度更新

由于移动边缘环境下数据传输具有实时性和动态性等特点，计算资源的信任值应周期性更新。此外，历史信息对信任更新所产生的影响也不同，邻近的历史交互信息应具有更大的影响力。针对上述问题，本文引入时间滑动窗口(time sliding window)，采用时间分段的概念对信任值进行更新，时间段(Time Segment, TS)可以为1小时、1天或1月，应根据具体的应用环境进行设置。如图5所示，设时间段集合{TS1,TS2,…,TSn}为第1个有效时间滑动窗口，时间段集合{TSm,TSm+1,…,TSm+n}为第m个有效时间滑动窗口，αl和βl为当前有效时间滑动窗口中第l时间段的交互成功与失败次数记录。则对于时间滑动窗口m而言，时间段集合{TS1,TS2,…,TSm-1}内的历史交互记录不予考虑，且式(3)中的交互成功次数与失败次数更新为1个有效时间滑动窗口内考虑时间衰减因子的交互成功αnew及失败次数βnew：

(7)

其中η为时间衰减因子(0≤η≤1)，表示对历史交互信息的重视程度。

(2)云服务器可信度

(9)

对于移动终端MTi和MTj，本文通过余弦相似性公式度量其相似度sim(MTi,MTj)：

(10)

式中di,k和dj,k分别表示移动终端MTi和MTj的第k项属性(1≤k≤4)，分别取移动终端的计算能力、内存大小、传输带宽以及移动终端的网络带宽占用率。

(3)移动终端可信度

(11)

对于移动终端MTi和MTj，仍通过余弦相似性公式度量其相似度，计算公式如下：

(12)

式中di,k和dj,k分别表示移动终端MTi和MTj的第k项属性(1≤k≤5)，分别取移动终端的计算能力、内存大小、传输带宽、CPU利用率以及内存占用率。

2.2 时间开销计算

在移动边缘计算环境下，工作流DAG中各计算任务可卸载至云服务器、边缘服务器或仍在移动终端本地执行。本节分别对移动终端、边缘侧和云端在任务执行、数据传输过程中产生的时间开销进行计算。

定义6当任务wi不进行卸载时，需要考虑任务在移动终端上执行所产生的时间开销，令fmt表示移动终端的计算能力，时间开销

(13)

定义7将任务wi卸载至边缘服务器esj时，需要考虑任务所需数据的发送时间、数据返回移动终端的接收时间以及任务在边缘服务器上的执行时间，其时间开销

(14)

定义8将任务wi卸载至云服务器时，与边缘服务器相似，需要考虑任务所需数据的发送时间和数据返回移动终端的接收时间以及任务在云服务器上的执行时间，其时间开销

(15)

式中，当任务wi的所有前驱任务已卸载至云服务器时，任务wi的数据发送时间为0；当任务wi的后继任务仍在云服务器执行时，其数据返回时间为0。

定义9工作流时间开销。根据多种任务卸载策略，工作流调度完成后的总时间开销由式(13)、式(14)和式(15)综合可得：

(16)

3 基于可靠多重计算卸载策略的粒子群任务调度算法

本章首先针对移动边缘计算环境中不同的计算卸载方案设计其可靠卸载适应度计算方法，然后在可卸载边缘服务器集合中选择可靠卸载适应度最高的边缘服务器作为任务卸载候选，最后使用可靠卸载适应度评价任务调度方案的可靠性与任务执行时间，结合工作流管理系统，提出了基于可靠多重卸载策略的粒子群任务调度算法。

3.1 可靠卸载适应度计算

针对多重计算卸载方案，设计可靠多重卸载适应度计算方法如式(17)所示：

(17)

式中θi、θj、θk分别表示任务wi、wj、wk对移动终端、边缘服务器和云服务器信任的服务质量因子，且θi、θj、θk≥1，当服务质量因子增大时，表明任务对计算资源的信任程度要求增加。因此，算法具有较强的灵活性，通过合理设置信任服务质量因子，可以满足不同的可靠性需求。

式(17)给出的可靠卸载适应度计算方法是在满足工作流任务执行相应时间约束下，衡量任务调度方案可靠性，适应度越大的调度方案，对应的可靠性越低，反之则越高。

3.2 可卸载边缘服务器选择

设移动终端附近可卸载边缘服务器集合为{es1,es2,…,esu}，则应先为工作流DAG中入度为0的各并发应用任务{w1,w2,…,wv}选择当前可靠卸载适应度最小的边缘服务器作为各任务卸载的候选边缘服务器，组成(任务—候选边缘服务器)对，基于信任模型的可卸载边缘服务器选择算法如算法1所示。

算法1基于信任模型的可卸载边缘服务器选择算法。

输入:工作流任务集合W={w1,w2,…,wv}，可卸载边缘服务器集合ES={es1,es2,…,esu}；

输出:可卸载边缘服务器序列Lassign。

1 for each esj∈ES

3 }

4 Tp←{wi|indegree(wi)=0}; //将工作流任务DAG中入度为0的任务置于任务执行队列中

5 Lassign←NULL; //候选边缘服务器分配队列初始化

6 Lexecution←Tp; //任务执行队列初始化

7 Do until Lexecution=NULL

8 {For each wi∈Lexecution

9 {if distance

10 {fitness=CountFitness(W,ES);//计算各任务与候选边缘服务器的可靠卸载适应度

11 (wi,esj)←select(ES)∧min[fitness(W,ES)]; //为任务wi选择当前可靠卸载适应度最小的边缘服务器esj

12 Lassign←Lassign+{(wi,esj)};

13 Lexecution←Lexecution-{wi}；

14 For each immediate successor task wsof task wi

15 { indegree(ws)=indegree(ws)-1;

16 If indegree(ws)=0

17 Lexecution←Lexecution+{ws};

18 }

19 }

20 }

21 }

22 }

算法1首先对移动终端无线信号接收范围内边缘服务器的综合信任度进行计算，将工作流DAG中入度为0的任务输入任务执行队列Lexecution进行初始化(第2行～第6行)；然后，对于Lexecution中的任务wi,计算其与候选边缘服务器的可靠卸载适应度，再基于贪心算法思想选择当前可靠卸载适应度最小的边缘服务器esj组成(wi,esj)对(第7行～第12行)；最后将已配对任务wi从Lexecution中去除，并将当前入度为0的任务ws加入任务执行队列(第13行～第17行)，直至任务执行队列为空。算法内层基于贪心算法思想，在可卸载边缘服务器集合中为任务wi选择可靠卸载适应度最小的计算资源esj，假定可卸载边缘服务器数量为u，任务数为v，则算法的时间复杂度为O(uv)。

3.3 基于可靠多重计算卸载策略的粒子群任务调度算法

根据移动边缘计算环境下的可靠多重计算卸载策略及可卸载边缘服务器选择算法，本文提出一种基于可靠多重计算卸载策略的粒子群任务调度算法，如算法2所示。

算法2基于可靠多重计算卸载策略的粒子群任务调度算法。

输入:工作流任务W={w1,w2,…,wv}，可卸载边缘服务器序列Lassign，可卸载边缘服务器ES，云服务器虚拟机CC，移动终端MT，响应时间tresponse，迭代次数；

输出:可靠卸载任务调度方案pbest。

1 for each i∈(1,k)

2 {RandomInit(TSi,vi,di);//初始化任务调度方案TSi,搜索速度vi及卸载决策di

3 }//end for each i∈(1,k)

4 for each i∈(1,k)

5 {pTS←Calculate(TSi); //计算初始分配方案的适应度值

6 }//end for each i∈(1,k)

7 pbest=optimize(pTS); //选出初始全局最优分配方案

8 for each i∈(1,Num) //设置迭代次数Num

9 { update resource scheduling scheme; //根据搜索速度更新所有调度方案，为各任务更新卸载决策

10 for each j∈(1,k)

11 {pTS=Calculate(TSj); //计算各调度方案的适应度

12 }// end for eachj∈(1,k)

14 update inertia factor and searching speed; //更新粒子惯性因子及搜索速度

15 }//end for each i∈(1,Num)

16 Return pbest

在算法初始阶段，初始化任务调度方案、粒子搜索速度以及计算卸载决策方案(第1行～第6行)。在算法迭代阶段，根据各调度方案搜索速度更新调度方案，为每一任务更新其卸载决策并计算适应度，进而依据计算结果选出适应度最低的全局最优任务调度方案(第8行～第12行)。然后，进一步根据自适应惯性权重策略更新惯性权重值以及调度方案搜索速度，在达到迭代次数后得出用户响应时间约束下的最优任务调度方案(第12行～第16行)。假定算法调度方案数量为N，算法迭代次数为k，任务数为v，则算法的时间复杂度为O(Nkv)。

4 仿真实验及分析

为了分析和评估本文提出的基于信任模型的可靠多重计算卸载策略(Trust Based Multi-resource computation Offloading, TBMO)算法性能，在MATLAB R2015b环境下进行了仿真实验。实验相关参数设置如下：工作流任务图随机生成，工作流各任务的数据量服从[1 GHz～5 GHz]的均匀分布，每个任务的输入输出服从[1 Mb～15 Mb]的均匀分布[20]。移动终端的计算能力设置为1 GHz，与云数据中心的数据传输速率为5 Mb/s，与边缘服务器的传输速率同信噪比及通信距离相关[9]。边缘服务器计算能力服从[2 GHz～4 GHz]的均匀分布，与移动终端之间的距离为服从正态分布的随机值[9]。云服务器的处理能力为8 GHz，用户响应时间约束为工作流任务在处理能力为1.4 GHz虚拟机上平均执行时间的2倍[10]。

设置网络通信链路失效事件以及移动终端应用任务执行失效事件服从Weibull分布，其形状参数和尺度参数分别设置为0.75和60，同时设定刚失效资源近期再次发生失效的频率在1～3之间满足均匀分布[21]；设置边缘服务器总数的20%和30%虚拟机为不合作节点，在分配到任务时分别以80%和50%概率执行任务失败。

设置本文提出的TBMO算法中，式(5)中δ=0.1，γ0=0.95，式(17)中的信任服务质量因子均取1。在以下实验中，本文首先对信任模型的有效性进行讨论，然后在不同可卸载边缘服务器数量以及不同任务数的情况下，对TBMO算法的任务执行成功率和时间开销进行比较。在所有仿真实验中实验结果采用10次实验的平均值。

4.1 信任模型的有效性

本节实验首先对信任模型的有效性进行讨论，主要实验内容包括信任合并函数中的信任度调节因子λ及式(7)中的时间衰减因子η。实验参数设置如下：为简化模型，选择线性函数Φ=λΦdt+(1-λ)Φrt为信任度合并函数，同时指定计算资源A的初始直接信任度为0.5，通过其他计算资源与A的间接交互信息来产生推荐信任度，重新评估A的综合信任度，实验结果如图6所示。当λ=1时，即为不考虑推荐信息，A的信任度始终保持在0.5；而当λ=0.1时，A的信任度增长速度较λ=0.5时更快；λ=0.5时，当推荐节点数达到13时，A的信任度已趋于稳定，而λ=0.1时则需要增加至18个推荐节点才可趋于稳定。

为考察构建的信任模型对历史数据动态变化的敏感性，本文引入了时间衰减因子η和时间滑动窗口。首先将时间划分为20个时间段，在前10个时间段中，每个时间段推荐给资源A偏正面的交互信息，而后10个时间段中，每个时间段则推荐给资源A偏负面的交互信息。实验中时间滑动窗口由6个时间段组成，时间衰减因子取值分别为0,0.5和1，实验结果如图7所示。

由图7可见，当时间衰减因子η=0时，即只考虑最近的一个时间段的推荐信息，计算资源A的信任度能够直观反映最近阶段计算资源的交互结果。然而，正如在人类社交网络中，信任值应当是相对稳定而连续变化的，图7中在η=0时A的信任度波动显然过大。当η=1时，相当于未考虑时间衰减因子，可以看出资源A的信任度在时间段小于10时，其信任度变化和图6类似，而当时间段大于10时，信任度下降较η=0.5时明显缓慢，说明了时间衰减因子和时间滑动窗口能够有效提升信任模型的动态性，在应对On-Off攻击等恶意攻击行为时，也更为敏感。在下面的实验中，设置λ=0.6，η=0.6。

4.2 可卸载边缘服务器数量对算法性能的影响

本实验考察移动终端附近可卸载边缘服务器数量变化对TBMO算法性能的影响。实验参数设置如下：应用任务数量分别为10，50和100的3个工作流分别记为workflow_10，workflow_50和workflow_100，可卸载边缘服务器的数量变化范围为[1,10]。

实验结果如图8和图9所示，由图可见，随着边缘服务器数量的增多，任务执行成功率也相应增加，而时间开销逐步减少。值得注意的是，当可卸载边缘服务器数量大于5后，任务执行成功率的增长速度和时间开销的减少率都明显变缓。这是因为任务调度受到了工作流DAG结构的限制，任务之间的偏序关系导致工作流的并发数低于计算资源的数量，从而导致部分计算资源空闲。因此，在部署边缘服务器时应根据应用任务的类型和实际环境情况部署适当的可卸载边缘服务器数量与位置。

4.3 不同任务数情况下的算法性能分析

本实验在不同任务数情况下，对本文提出的TBMO算法和TAA(task assignment algorithm)算法[5]从工作流任务的平均执行成功率以及任务平均完工时间两个方面进行比较。

由图10可以看出，当工作流任务数量增加时，TBMO算法和TAA算法的任务平均执行成功率都略有降低，而TBMO算法的任务执行成功率则降低较多，这是由于当并发任务较多时，算法只有将部分任务卸载到相对并不十分可信的计算资源上执行。从整体来看，TBMO算法的任务平均执行成功率远高于TAA算法，表明了本文提出可靠多重卸载决策的有效性。从图11可见，TBMO算法的任务平均完工时间比TAA算法略长，这是由于TAA算法仅以任务平均完工时间为优化目标。但应注意到TBMO算法比TAA算法提升了35.8%的任务平均执行成功率，而只增加了18.8%的任务平均完工时间，说明了基于信任模型的卸载策略能够有效地保障任务的执行，但其代价是牺牲一定的任务执行时间。

5 结束语

近年来，移动边缘计算研究受到国内外学者的广泛关注，作为移动边缘计算关键技术之一，计算卸载技术弥补了移动终端在资源存储、计算性能等方面的不足。针对传统的计算卸载策略缺乏对计算资源可信度进行评估的问题，本文借鉴社会学中的人际关系模型，同时考虑移动边缘计算环境下应用任务执行的特点，利用Bayes方法对移动终端、边缘服务器和云服务器的可信度进行评估，构建了移动边缘计算环境下各类计算资源之间的信任关系模型。在此基础上，结合信任模型和基于多重计算卸载策略的时间开销计算方法，设计了评价计算卸载策略可靠性以及时间开销的适应度计算方法，提出了移动边缘计算环境下基于信任模型的可靠多重计算卸载策略。仿真实验结果证实，提出的TBMO算法能够有效提高工作流任务的平均执行成功率，且只增加较小的时间开销。未来工作将进一步考虑移动边缘计算环境中各类安全因素，如网络通信链路的故障概率以及移动终端自身的安全问题。