基于机器学习的物联网应用动态安全卸载策略.doc

基于机器学****的物联网应用动态安全卸载策略


该论文来源于网络，本站转载的论文均是优质论文，供学****和研究使用，文中立场与本网站无关，版权和著作权归原作者所有，如有不愿意被转载的情况，请通知我们删除已转载的信息，如果需要分享，请保留本段说明。
　　摘 要：针对当前物联网任务卸载算法在延迟、能耗和安全方面存在的缺点，文章提出了一种基于机器学****的物联网应用动态安全卸载策略，通过使用机器学****策略，可以在雾-物联网（Fog-IoT）环境中实现高效、安全的卸载。首先，采用Neuro-Fuzzy模型在智能网关上保护数据;其次，使用粒子群优化为IoT设备选择一个最佳Fog节点;然后，通过智能网关将任务卸载到雾节点上，如果雾节点无法处理工作负载，则将其转发到云中，敏感数据保存在私有云，非敏感数据实施动态卸载策略进行卸载。实验结果表明，提出的动态安全卸载策略最大程度地减少了延迟和能耗，比其他现有算法更具优势。
　　关键词：物联网;雾计算;动态安全卸载;强化学****Neuro-Fuzzy模型
　　中图分类号： TP393 文献标识码：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
　　霧计算（Fog Computing，FC）被认为是监控物联网应用的理想平台，可用于智能城市、可穿戴传感器、医疗保健和车辆监控等多个领域[1，2]，用于减少计算的延迟和功耗。雾计算在云计算和物联网（Internet of Things，IoT）之间形成了分布式网络环境的中间层，可以提供一个连续体来桥接丢失的链接，这些数据可以在更靠近边缘的终端处理或者推送至云上[3]。该模式可以集成在同构和异构无线网络中，充分利用资源，提高整体网络效率，减少网络流量[4]。雾计算是物联网和云之间的一个层，包括智能门、路由器、交换机和接入点等组件。
　　在当前社会中，由于移动设备数量众多，移动计算起着至关重要的作用。移动雾计算（Mobile Fog Computing，MFC）作为三类移动计算中的一种，