GraphMatch:一种基于图的信任感知框架,用于异构边缘计算中的安全多目标任务调度

《Future Generation Computer Systems》:GraphMatch: A graph-based trust-aware framework for secure multi-objective task scheduling in heterogeneous edge computing

【字体: 大 中 小 】 时间:2026年05月09日 来源:Future Generation Computer Systems 6.2

编辑推荐:

  李文娟|张启飞|杨定宇|潘成杰|王斌|邓树光 杭州师范大学信息技术学院,中国杭州311121 摘要 随着物联网(IoT)和5G技术的快速发展,边缘计算已成为智能应用程序的关键基础设施。然而,边缘计算环境的开放性和异构性带来了严重的安全挑战:恶意边缘节点可能会窃取敏感数据或篡改计

  李文娟|张启飞|杨定宇|潘成杰|王斌|邓树光
杭州师范大学信息技术学院,中国杭州311121

摘要
随着物联网(IoT)和5G技术的快速发展,边缘计算已成为智能应用程序的关键基础设施。然而,边缘计算环境的开放性和异构性带来了严重的安全挑战:恶意边缘节点可能会窃取敏感数据或篡改计算结果。现有的任务调度算法主要关注性能优化,缺乏对安全和信任的全面考虑。为了解决这些问题,本文提出了GraphMatch,这是一个基于图卷积网络(GCN)的安全感知任务调度框架。GraphMatch将任务调度建模为一个受限图匹配问题,并通过四个协同模块实现安全性、信任度和性能的多目标优化:(1)多跳信任传播,通过发现间接信任路径来扩展信任覆盖范围;(2)信任引导的GCN,通过融合五种评分机制来学习最佳任务-设备匹配;(3)基于NSGA-III的多目标优化,在工期、信任度和安全性目标之间探索帕累托最优解;(4)拉普拉斯负载平衡,通过谱图扩散来实现工作负载分配。实验结果表明,GraphMatch的信任得分为0.8869,比现有的SecDS算法提高了10.0%。GraphMatch实现了100%的恶意设备避免率和敏感任务保护率,同时保持了具有竞争力的工期性能。可扩展性实验验证了该算法在50至250个设备规模上的稳定性,鲁棒性实验确认了其在5%至30%恶意节点比例下的可靠性。GraphMatch为边缘计算中的安全敏感任务调度提供了有效的解决方案。

引言
边缘计算系统中的任务调度面临日益严重的安全挑战。随着边缘基础设施的迅速普及,预计到2025年全球物联网设备数量将达到750亿个[1][2]。边缘环境的开放和分布式特性暴露了关键的安全漏洞:恶意边缘节点可能会窃取敏感数据、篡改计算结果或故意延迟任务执行。研究表明,在开放边缘环境中,恶意节点的比例可以达到10%至40%[3][4],这对医疗数据处理、金融交易计算和工业控制系统等安全敏感应用构成重大威胁[5][6][7][8]。尽管存在迫切的安全需求,现有的任务调度算法仍然主要关注性能优化,将安全作为次要考虑因素。传统的算法如HEFT[9]和Min-Min[10]优化工期或资源利用,但缺乏信任评估和恶意节点避免机制。最近,一些基于信任的方法如DDTMOA[11]、BD-TTS[12]和SecDS[13]开始纳入安全考虑,但存在三个根本性限制。首先,信任评估过于简化。大多数现有方法仅依赖于基于直接交互历史的信任指标,忽略了网络拓扑中嵌入的间接信任信息。当任务请求者和候选边缘节点之间的直接交互稀少或缺失时(这在动态边缘环境中很常见),这些方法无法提供可靠的信任评估,导致非最优甚至不安全的调度决策。其次,优化目标被孤立处理。现有算法通常优化单一目标(例如最小化延迟或最大化信任度)或采用需要手动调整的加权求和方法。这些方法无法有效处理工期、信任度和安全之间的内在权衡,在这些目标冲突时表现不佳。第三,表示学习能力有限。当前的启发式和规则驱动方法难以捕捉任务依赖性与设备网络拓扑之间的复杂结构关系,也无法从边缘计算环境特有的异构图结构中学习最佳任务-设备匹配模式。这些限制表明,迫切需要一种全新的方法,该方法能够在网络拓扑中传播信任,克服稀疏的直接交互,共同优化多个冲突目标,并利用图神经网络学习复杂的任务-设备匹配关系。

为了应对这些挑战,我们提出了GraphMatch:一种基于图的、信任感知的安全多目标任务调度框架,适用于异构边缘计算。GraphMatch将任务调度表述为一个受限图匹配问题,并通过四个协同模块实现安全性、信任度和性能的联合优化:(1)多跳信任传播模块,通过迭代发现间接信任路径来扩展信任覆盖范围;(2)信任引导的图卷积网络(GCN)模块,将信任矩阵嵌入图卷积消息传递过程中以学习最佳任务-设备匹配;(3)基于NSGA-III的多目标优化模块,在工期、信任度和安全性目标之间探索帕累托前沿;(4)拉普拉斯负载平衡模块,利用谱图扩散实现设备间的工作负载分配。我们进行了广泛的仿真实验,将GraphMatch与六种代表性算法进行了比较。主要贡献总结如下:
1. 我们引入了一种新的信任引导图匹配调度范式。通过将边缘计算任务调度建模为在信任约束下的图匹配问题,我们设计了Trust-Guided GCN,实现了信任信息和图结构的深度融合,结合了五种评分机制(GCN嵌入、性能、信任、类型兼容性和安全性)来学习最佳任务-设备分配。据我们所知,这是首次将信任引导的GCN与多目标优化结合用于边缘计算任务调度的工作。与现有的最佳算法SecDS相比,GraphMatch平均信任得分提高了10.0%。
2. 我们设计了一种多跳信任传播机制来打破稀疏交互的瓶颈。基于信任的传递性,一种迭代算法发现间接信任路径,并提供了一个理论覆盖下限(命题1),有效克服了动态环境中直接交互不足的问题。实验表明,该机制将平均信任覆盖范围提高了约75%。
3. 我们构建了一个具有嵌入式硬安全约束的多目标进化优化框架。通过将硬安全约束和智能的安全感知变异策略集成到NSGA-III中,我们在保证敏感任务100%恶意设备避免的同时,探索了帕累托最优解集,并在所有测试场景中保持了具有竞争力的工期性能。
4. 我们提出了一种基于谱图理论的拓扑感知负载平衡方法。利用拉普拉斯矩阵的热扩散特性,它在严格遵守安全和信任约束的同时,实现了网络拓扑中的自适应和平滑工作负载分配,优于传统的贪心负载平衡策略。

本文的其余部分组织结构如下:第2节回顾相关工作;第3节对问题进行形式化描述;第4节详细介绍GraphMatch的设计和实现;第5节展示实验结果和分析;第6节总结本文并概述未来研究方向。

相关 work
本节从三个角度回顾了相关研究进展:边缘计算任务调度、信任管理和安全感知调度以及基于GNN的调度方法。我们分析了现有方法面临的核心挑战,并明确了本文的研究定位。

问题建模和形式描述
在本节中,我们提供了边缘计算环境中安全感知任务调度问题的正式模型。首先介绍关键符号,然后介绍系统模型、优化目标和约束条件,最后分析问题的计算复杂性。

系统架构和算法设计
本节介绍了GraphMatch的总体系统架构和核心模块的设计。GraphMatch采用了四阶段流水线架构,依次实现安全感知任务调度:(1)多跳信任传播;(2)信任引导的图卷积网络;(3)多目标进化优化;(4)负载平衡。

实验评估
本节通过系统仿真实验验证了GraphMatch算法的有效性和优越性。首先描述实验环境和评估指标,然后进行了六组实验,从不同角度评估性能:总体性能比较、消融研究、可扩展性测试、鲁棒性测试、敏感性-任务比率分析和公平性评估。

结论和未来工作
本文提出了GraphMatch,这是一种适用于边缘计算环境的安全感知任务调度算法。我们首先将调度问题重新表述为一个受限图匹配任务,引入了设备-网络图、任务有向无环图(DAG)和信任矩阵,并正式定义了三个目标,包括工期、信任度和安全性及其相应的约束条件。然后开发了一种多跳信任传播方案来扩大信任覆盖范围, followed by a Trust-Guided GCN。

作者贡献声明
李文娟:撰写 – 审稿与编辑、撰写 – 原始草稿、验证、监督、软件、资源、项目管理、方法论、调查、资金获取、形式分析、概念化。
张启飞:撰写 – 审稿与编辑、验证、软件、调查、概念化。
杨定宇:撰写 – 审稿与编辑、资源、方法论、数据整理。
潘成杰:撰写 – 审稿与编辑、软件、调查。
王斌:撰写 – 审稿与编辑。

利益冲突声明
作者声明他们没有已知的竞争财务利益或个人关系可能会影响本文报告的工作。

致谢
本工作得到了浙江省自然科学基金(编号LHZSZ24F020001)、浙江省重点(凌岩)研发计划(编号2026C02A245、2025C02023)、浙江大学区块链与数据安全国家重点实验室开放研究基金(编号A2503)以及国家自然科学基金(编号61702151)的共同支持。李文娟于2012年在中国杭州的浙江大学获得计算机科学博士学位。她目前是杭州师范大学信息技术学院的副教授,同时是浙江大学计算机科学系的访问学者。2017年至2018年,她还是墨尔本大学CLOUDS实验室的访问学者。2015年,她曾在上海交通大学担任博士后研究员。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号