基于機器學習的物聯網應用動態安全卸載策略

居曉琴

摘 ? 要：針對當前物聯網任務卸載算法在延遲、能耗和安全方面存在的缺點，文章提出了一種基于機器學習的物聯網應用動態安全卸載策略，通過使用機器學習策略，可以在霧-物聯網（Fog-IoT）環境中實現高效、安全的卸載。首先，采用Neuro-Fuzzy模型在智能網關上保護數據;其次，使用粒子群優化為IoT設備選擇一個最佳Fog節點;然后，通過智能網關將任務卸載到霧節點上，如果霧節點無法處理工作負載，則將其轉發到云中，敏感數據保存在私有云，非敏感數據實施動態卸載策略進行卸載。實驗結果表明，提出的動態安全卸載策略最大程度地減少了延遲和能耗，比其他現有算法更具優勢。

關鍵詞：物聯網;霧計算;動態安全卸載;強化學習;Neuro-Fuzzy模型

中圖分類號： TP393 ? ? ? ? ?文獻標識碼：A

Abstract： Aiming at the shortcomings of current IoT task offloading algorithms in terms of delay， energy consumption and security， a dynamic security offloading strategy for Internet of things applications based on machine learning is proposed. By using machine learning strategies， it can be used to offload efficiently and securely in Fog and Internet of Things （Fog-IoT） environment. First， the Neuro-Fuzzy model is used to protect data on the intelligent gateway. Secondly， particle swarm optimization is used to select an optimal Fog node for the IoT device， and then the task is offloaded to the fog node through the intelligent gateway. If the fog node cannot handle the workload， then Forward it to the cloud， sensitive data is stored in the private cloud， and non-sensitive data is dynamically uninstalled. The experimental results show that the proposed dynamic security offloading strategy minimizes delay and energy consumption and is superior to other existing algorithms.

Key words： Internet of Things; fog computing; dynamic security offloading; reinforcement learning; Neuro-Fuzzy model

1 引言

霧計算（Fog Computing，FC）被認為是監控物聯網應用的理想平臺，可用于智能城市、可穿戴傳感器、醫療保健和車輛監控等多個領域[1，2]，用于減少計算的延遲和功耗。霧計算在云計算和物聯網（Internet of Things，IoT）之間形成了分布式網絡環境的中間層，可以提供一個連續體來橋接丟失的鏈接，這些數據可以在更靠近邊緣的終端處理或者推送至云上[3]。該模式可以集成在同構和異構無線網絡中，充分利用資源，提高整體網絡效率，減少網絡流量[4]。霧計算是物聯網和云之間的一個層，包括智能門、路由器、交換機和接入點等組件。

在當前社會中，由于移動設備數量眾多，移動計算起著至關重要的作用。移動霧計算（Mobile Fog Computing，MFC）作為三類移動計算中的一種，有著不可替代的作用?！?br>