基于安全主机级管理的能源高效移动边缘计算框架，用于资源分配

《International Journal of Coal Geology》：Energy Efficient Mobile Edge Computing Framework based on Secure Host Level Management for Resource Allocation

移动边缘计算（MEC）中，传统任务调度方法忽视能源消耗与安全需求，导致高能耗和安全隐患。本文提出主机级动态资源分配框架，综合考虑任务能耗模型（公式1、2、4）及安全机制（认证、保密、完整性），通过任务特异性决策优化虚拟机（VM）选择与调度策略。实验表明，该方法在10任务时能耗7.3 J（优于现有8.2 J），动态调度降低平均延迟至0.016秒，并减少任务完成时间（makespan）达20%-30%。

　　随着移动设备和物联网（IoT）设备的迅速普及，移动边缘计算（Mobile Edge Computing, MEC）作为一种新兴的计算范式，正在成为解决移动设备资源限制问题的重要手段。MEC通过将计算任务从移动设备卸载到靠近用户的边缘服务器，显著降低了网络延迟并提升了能耗效率。然而，现有的任务分配和调度策略往往忽略了能源消耗与安全需求之间的平衡，导致系统在运行过程中面临更高的能耗、延迟以及潜在的安全隐患。因此，本研究提出了一种融合安全性和能源效率的新型任务调度技术，旨在通过在主机层评估任务的能源和安全需求，实现对虚拟机（VMs）的高效调度，从而提升MEC系统的整体性能。

MEC的核心目标是优化资源利用，同时保障数据隐私和系统安全。这不仅涉及到对计算资源的动态分配，还要求在任务执行过程中实现对安全机制的全面集成。传统的任务调度方法通常只关注任务完成时间或延迟，而未能有效考虑能源消耗与安全风险。例如，某些算法虽然能减少任务失败率，但未对用户隐私和数据完整性进行充分保护，从而增加了系统在高负载环境下的脆弱性。为了解决这些问题，本研究设计了一种新型的多层级MEC架构，通过在主机层对任务进行评估，确保在任务分配过程中兼顾能源效率和安全性能。

MEC的架构通常分为三个层级：系统层、主机层和网络层。系统层负责整个MEC的协调和管理，包括资源分配、服务调度和策略执行；主机层则关注具体任务的调度与执行，其中包含了对能源和安全因素的评估；网络层则处理数据传输和连接管理，确保任务能够高效地从终端设备传输到边缘节点。在主机层，任务调度不仅需要考虑计算资源的分配，还需对任务的敏感性进行分类，以确保不同级别的任务能够被分配到符合其安全需求的虚拟机上。例如，对于涉及用户隐私的任务，系统会优先选择具有高安全等级的虚拟机，尽管这可能带来更高的能源消耗；而对于低敏感性任务，则倾向于选择能源效率更高的虚拟机，以减少整体能耗。

在任务调度过程中，能源消耗是关键考量因素之一。随着任务数量的增加，能源需求也会相应上升。然而，通过引入任务特定的决策机制，本研究提出的方法能够在保证任务完成质量的同时，有效降低能源消耗。例如，当任务数量为10时，该方法仅消耗7.3焦耳的能源，而传统方法如改进的NSGA-II则消耗了8.2焦耳的能源。这种差异表明，本研究提出的方法在能源效率方面具有显著优势。此外，系统还引入了动态调度机制，能够在不同负载条件下自动调整任务分配策略，从而优化能源利用并减少系统过载的风险。

除了能源效率，系统还强调了安全机制的重要性。在MEC环境中，任务通常在共享的虚拟机上执行，因此，确保数据的完整性、机密性和真实性是至关重要的。本研究通过在任务调度过程中整合认证、保密和完整性机制，为任务的执行提供了安全保障。例如，系统在任务分配前，会对任务的敏感性进行评估，并结合任务对虚拟机的安全等级要求，选择最合适的执行环境。这种策略不仅减少了任务执行过程中可能存在的安全漏洞，还通过动态调度机制提高了系统的整体鲁棒性。

在任务调度的具体实现中，系统采用了多层次的架构设计，以确保任务能够被有效地分配和执行。首先，MEC框架中的各个组件，如用户设备（UE）、第三方实体、主机管理模块、虚拟化基础设施等，都参与到了任务调度的过程中。其中，用户设备作为任务的发起者，负责将计算任务提交到MEC系统；第三方实体则提供服务和应用支持；主机管理模块则负责对任务进行评估，并结合虚拟机的资源和安全状态进行调度决策。虚拟化基础设施则确保任务能够在不同的虚拟机之间高效地迁移和执行，同时减少对物理资源的直接依赖。

为了进一步提升任务调度的效率，本研究还引入了动态任务分配机制。这种机制能够根据任务的实时需求和虚拟机的负载状态，动态调整任务的执行策略。例如，当某个虚拟机的负载较高时，系统会优先将任务分配给其他资源更充足的虚拟机，从而避免资源浪费和系统过载。同时，系统还支持对任务进行分类管理，即根据任务的敏感性、执行时间要求和资源需求，将任务分配到最合适的虚拟机上。这种任务特定的决策方式不仅提高了任务执行的效率，还增强了系统的安全性，确保了不同级别的任务能够被分配到相应的执行环境中。

此外，本研究还考虑了MEC系统的可扩展性问题。随着用户数量和任务量的增加，系统的资源需求也随之上升。然而，通过合理的任务分配策略，本研究提出的方法能够在保证系统性能的同时，维持较低的能源消耗。例如，当用户设备数量从100增加到500时，平均能源消耗从6.5焦耳上升至21.5焦耳，而平均延迟始终保持在0.03秒以内，表明系统在处理高负载任务时仍能保持较高的效率。这种可扩展性使得该方法能够适用于各种MEC应用场景，包括智能城市、物联网网络和工业自动化系统等。

为了验证所提出方法的有效性，本研究对多种现有技术进行了对比分析。例如，与传统的pDETA方法相比，本研究提出的方法在任务完成时间（makespan）和平均延迟方面表现出更优的性能。当任务数量为50时，pDETA方法的makespan时间为110秒，而本方法仅为90秒；在平均延迟方面，pDETA的延迟为0.026秒，而本方法的延迟仅为0.017秒。这表明，本方法不仅在能源效率方面优于现有技术，还在任务完成速度和延迟控制方面具有显著优势。

同样，与HRJO-PMASAC方法相比，本研究提出的方法在任务调度过程中能够更有效地平衡能源消耗和任务执行时间。当任务数量为50时，HRJO-PMASAC的平均延迟为0.026秒，而本方法仅为0.017秒；当任务数量增加到200时，HRJO-PMASAC的平均延迟为0.025秒，而本方法为0.024秒。这种优化使得本方法在面对大规模任务时，依然能够保持较低的延迟和较高的任务成功率。

在能源消耗方面，本方法也表现出了显著的优化效果。与改进的NSGA-II方法相比，当任务数量为10时，本方法仅消耗7.3焦耳的能源，而NSGA-II方法消耗了8.2焦耳。这种差异进一步证明了本方法在降低能源消耗方面的有效性。此外，当任务数量增加到200时，本方法的能源消耗为17.4焦耳，而NSGA-II方法的能源消耗为18焦耳。这些数据表明，无论任务数量如何变化，本方法都能在保证任务执行质量的前提下，有效降低能源消耗。

本研究还通过统计分析进一步验证了所提出方法的可靠性。通过单因素方差分析（ANOVA），研究发现不同方法之间的能源消耗差异具有统计学意义，p值为0.0018，显著低于0.05的显著性阈值。这表明，本方法在能源效率方面的提升是真实且可量化的。同时，该方法在任务执行过程中对能源和安全因素的综合评估，使其在面对不同应用场景时，能够动态调整任务分配策略，从而实现更高效的资源利用和更强的安全保障。

综上所述，本研究提出了一种新型的MEC任务调度方法，该方法在主机层对任务的能源和安全需求进行了全面评估，并结合动态调度机制实现了对任务的高效分配。与现有方法相比，该方法在能源效率、任务完成时间、延迟控制和系统安全性方面均表现出显著优势。此外，其可扩展性和适应性使得该方法能够适用于各种复杂的MEC环境，包括高负载的智能城市和物联网网络。未来，随着MEC技术的进一步发展，该方法还可以通过引入更多先进的优化算法和安全机制，进一步提升其性能，使其能够更好地满足实时性、资源约束和安全性等多方面的需求。