一种基于可扩展主观逻辑的强化学习方法，用于雾计算/边缘计算中的双向智能信任管理

《Scientific Reports》：A Scalable Subjective Logic-Based Reinforcement Learning Approach for Two-Way Intelligent Trust Management in Fog/Edge Computing

　　

摘要

移动边缘计算（MEC）以及雾计算/边缘计算能够在靠近终端用户的位置提供计算和存储资源，因此非常适合那些对延迟要求较高的应用。在这些环境中，服务功能链（SFC）通过连接多个虚拟网络功能（VNF）来实现网络服务。然而，现有的大多数SFC部署方法主要侧重于优化延迟、资源利用率和部署成本，而对边缘节点的可靠性与可信度关注不足。这样一来，服务可能会被部署在不可靠或存在安全风险的节点上，从而降低服务的质量和连续性。为了解决这一问题，本文提出了SRTPP-SFC这一框架，它是一种具有可扩展性的、能够考虑信任度和可靠性的并行SFC部署方案，并支持智能的VNF共享功能。该框架引入了一种双向信任机制，使得服务请求方和服务提供方能够在建立服务之前互相评估对方的可信度。信任值是通过一种主观逻辑模型计算得出的，该模型结合了直接交互和间接推荐信息。这些信任评分会与节点的可靠性、资源可用性以及网络状况一起，被纳入到一种演员-评论家强化学习框架中，用以指导自适应的部署决策。此外，该框架还支持并行SFC部署、基于可靠性的备份机制，以及基于长短期记忆网络的VNF共享与重用功能，以此提升资源效率和服务性能。实验结果表明，与现有方法相比，SRTPP-SFC在保持较低端到端延迟和高效资源利用率的同时，实现了更高的服务接受度、可靠性和可信度。这些结果表明，所提出的框架为在动态变化的雾计算/边缘计算环境中实现安全且可靠的SFC部署提供了一种有效且可扩展的解决方案。