《Internet of Things》：Trust-driven Multi-Criteria Optimization Framework for Aerial MEC Enabling Resilient IoT Services
编辑推荐：
随着地面通信基础设施在偏远及受灾地区的脆弱性日益凸显，高空平台（HAPs）与无人机（UAVs）作为第六代（6G）网络中关键的空中中继与计算节点，已成为保障物联网（IoT）服务连续性的重要手段。无人机自身资源受限的特性使得对其可信度的评估成为资源分配决策中的关键
随着地面通信基础设施在偏远及受灾地区的脆弱性日益凸显，高空平台（HAPs）与无人机（UAVs）作为第六代（6G）网络中关键的空中中继与计算节点，已成为保障物联网（IoT）服务连续性的重要手段。无人机自身资源受限的特性使得对其可信度的评估成为资源分配决策中的关键输入。然而，现有研究大多将信任机制局限于稳定控制策略或威胁检测等特定功能，尚未将其深度耦合至资源分配的核心决策过程之中。为此，本研究构建了一个多维信任模型，综合捕获无人机的声誉、稳定性与安全性三个维度，该信任模型以加权目标项与阈值约束两种形式嵌入优化框架。研究人员进一步提出一个多准则目标函数，联合优化信任度、部署成本、信任相关成本、任务时延及IoT-UAV关联决策。所提方案采用K均值聚类在阶段一解决无人机部署问题，并提出罚函数引导优化（PGO）算法，通过序列二次规划在阶段二实现信任感知的资源分配。研究以精确基准算法、贪婪启发式算法及基于松弛的基线算法为对比，对所提算法进行评估。结果表明，PGO算法在多种网络规模与信任需求条件下均能逼近基准算法的关联质量，且计算开销仅为后者的一小部分。这一发现证明信任感知关联与计算效率可以兼容并存，为未来6G空中边缘计算网络的规模化部署奠定了实践基础。
**一、研究背景与问题提出**
第六代（6G）网络旨在实现城市、乡村、工业及受灾环境下的无缝高质量连接。然而，地面通信网络易受损坏，复杂地形更常常导致基础设施无法部署，这使得偏远与受灾区域的可靠性保障出现空白。高空平台（HAPs）与无人机（UAVs）构成的空中网络能够有效弥补上述空白，延伸覆盖范围并将计算能力下沉至物联网（IoT）设备近端。
空中网络的可靠性高度依赖其组件的可信性。信任反映无人机完成任务并保持可靠运行的实际能力，可通过剩余能量、计算容量、通信可靠性与安全性能等指标进行评估。当前研究虽已认识到信任的重要性，但其应用范围仍较为有限：已有工作或借助信任稳定强化学习的策略更新，或将信任简化为空间区域的可靠性标识，或将信任限于链路级评估，均未将信任作为直接影响资源分配决策的约束条件纳入系统级优化。此外，无人机在应急场景下面临能量、计算与通信资源紧张的挑战，而异构IoT应用又对服务质量提出差异化要求，这进一步凸显了将信任评估与网络级优化协同整合的必要性。
针对上述问题，研究人员提出一个由HAPs集中管控的信任感知分层空中边缘计算框架。该框架的核心思路是：将信任作为加权目标项和阈值约束双重引入优化决策，从而在统一的数学规划框架内联合求解无人机部署、IoT-UAV关联与资源分配问题。
**二、研究内容与核心方法**
研究构建了一个多维无人机信任评估模型，涵盖声誉（由任务完成率和计算资源可用性刻画）、稳定性（由通信链路可靠性、运行环境和能量充足度刻画）以及安全保证（由威胁检测能力和未检测威胁惩罚联合刻画）。信任模型进入优化目标后，与部署成本、信任相关成本、任务时延和关联收益共同构成多准则加权效用函数，并通过Big-M约束保证任何低于IoT设备信任阈值的关联被严格排除。
所提出的求解框架分为两阶段。第一阶段采用K均值聚类算法，根据IoT设备的空间分布确定无人机悬停位置，以最小化簇内距离、改善覆盖并降低任务时延。第二阶段在无人机位置固定的条件下，求解信任感知的IoT-UAV关联与资源分配问题。研究人员针对该问题设计了一种罚函数引导优化（Penalty-Guided Optimization, PGO）算法：通过对松弛后的连续决策变量引入非二值性惩罚项，将原混合整数规划转化为带罚函数的连续优化问题，进而采用序列二次规划（Sequential Quadratic Programming, SQP）迭代求解。参与对比的算法包括采用分支定界法精确求解的基准算法、基于局部效用最大化的贪婪算法，以及采用内点法松弛后经舍入和修复处理的基线松弛（Baseline Relaxation, BR）算法。
**三、研究结果**
**1. IoT-UAV关联性能**
在N=100个IoT设备、M=4架无人机且各准则等权重（μ?=μ?=μ?=μ?=μ?=0.2）的场景下，BR因严重违反约束仅获得3%的关联率，贪婪算法因局部决策达到26%，PGO达到75%，十分接近基准算法的79%。在信任强调与关联强调两种非均衡权重配置下，PGO同样展现出较强的适应能力。
**2. 多准则效用分析**
效用评估覆盖了N=20到100的IoT设备规模以及M=2和M=5两种无人机资源条件。PGO在不同资源配置下均持续逼近基准算法的效用水平；随着可用无人机增加，PGO与贪婪及BR算法的性能差距显著拉大，表明其能有效利用额外资源。在不同信任阈值条件下，关联强调型权重配置产生了最高的系统效用，而等权重配置的效用最低，说明均匀处理各准则会稀释优化效果。
**3. 连通性鲁棒性分析**
在T_THR^n=0.5到0.95的信任阈值变化范围内，基准算法连接的设备数从约79%降至40%，PGO则从64%降至27%，仅落后基准算法约4至15个百分点。在网络规模扩展方面，当IoT设备从100增至300（M=6固定）时，PGO保持基准算法约90%的性能；当无人机从4增至8（N=300固定）时，PGO维持基准算法约86%至91%的性能水平。
**4. 归一化时延评估**
PGO在中低信任阈值下保持较低时延，基准算法在最高信任阈值下取得最小时延。BR由于反复违反约束而产生最高的时延水平，贪婪算法介于BR与PGO之间。
**四、讨论与结论总结**
仿真结果验证了PGO算法在各类网络规模与信任条件下的有效性。该算法与精确基准算法的性能差距很小，却避免了基准算法高达O(2^NM)的指数级复杂度（在最大测试规模下约6.67×102??次运算），而PGO的复杂度约为O((N+M)3+?(N+M)2)，显示显著的计算优势。K均值聚类与PGO相结合的两阶段架构有效降低了问题求解难度，同时保持了优越的优化质量。值得注意的是，信任意识可靠性与计算效率在该框架内被证明是可以兼得的目标。研究同时指出，未来工作可沿三个方向展开：基于数字孪生的实时网络状态追踪、面向动态不确定环境的随机优化模型，以及支持运行期间任务优先级自适应切换的权重选择机制。
