第４４ 卷 第１２ 期２０２１ 年１２ 月计 算机 学 报ＣＨＩＮＥＳＥＪＯＵＲＮＡＬＯＦＣＯＭＰＵＴＥＲＳＶｏｌ ． ４４Ｎｏ． １２Ｄｅｃ． ２０２１移动边缘计算下基于联邦学习的动态ＱｏＳ优化张鹏程 魏芯淼 金惠颖（ 水利部水利大数据重点实验室（ 河海大学） 南京 ２１ １ １ ００）（ 河海大学计算机与信息学院 南京 ２１ １ １ ００）摘 要 在５Ｇ边缘网络飞速发展的过程中， 边缘用户对高带宽、 低时延的网络服务的质量要求也显著提高． 从移动边缘网络的角度来看， 网络内的整体服务质量与边缘用户的分配息息相关， 用户移动的复杂性为边缘用户分配带来困难， 边缘用户分配过程中还存在隐私泄露问题． 本文提出一种移动边缘环境下基于联邦学习的动态ＱｏＳ（ Ｑｕａｌ ｉ ｔｙｏｆＳｅｒｖｉ ｃｅ）优化方法ＭＥＣＦＬＤ Ｑ〇Ｓ， 基于联邦学习的思想， 优化边缘区域的服务缓存， 在动态移动场景下根据用户位置分配边缘服务器， 有效保护用户隐私， 实现区域服务质量优化， 对动态用户移动场景有更好的适应性． ＭＥＣＦＬＤ ＱｏＳ 主要做了以下几个方面的优化工作： （１） 优化了传统ＱｏＳ 数据集， 将数据集映射到边缘网络环境中， 充分考虑边缘计算的移动、 分布式、 实时性、 复杂场景等特点， 形成边缘ＱｏＳ 特征数据集； （ ２） 优化了边缘服务器缓存， 在用户终端训练用户偏好模型， 与区域公有模型交互时只传输参数， 将用户的隐私数据封装在用户终端中， 避免数据的传输， 可以有效地保护用户特征隐私； （ ３） 优化了用户移动场景， 在动态移动场景中收集用户移动信息， 利用用户接人基站的地理位置拟合用户的移动轨迹进行预测， 有效地模糊了用户的真实位置， 在轨迹预测的同时有效地保护了用户的位置隐私； （ ４） 优化了用户分配方法， 提出改进的基于二维解的人工蜂群算法对边缘网络中的用户分配问题进行优化， 事实证明改进的人工蜂群算法针对其多变量多峰值的特点有效地优化了用户分配， 达到了较优的分配效果． 通过边缘ＱｏＳ 特征数据集实验表明， 本方法在多变量多峰值的用户分配问题中能产生全局最优的分配．关键词 移动边缘； 联邦学习； 移动感知； 边缘用户分配； 服务质量中图法分类号ＴＰ１８ＤＯＩ号１０． １１８９ ７／ＳＰ． Ｊ． １０１６． ２０２１． ０２４３ １ＤｙｎａｍｉｃＱｏＳＯｐｔｉｍｉｚａｔｉｏｎＭｅｔｈｏｄＢａｓｅｄｏｎＦｅｄｅｒａｌＬｅａｒｎｉｎｇｉｎＭｏｂｉｌｅＥｄｇｅＣｏｍｐｕｔｉｎｇＺＨＡＮＧＰｅｎｇＣｈｅｎｇＷＥＩＸｉ ｎ Ｍｉ ａｏＪＩＮＨｕｉ Ｙｉ ｎｇ（ ＫｅｙＬａｂｏｒａｔ ｏｒｙｏｆＷａｔ ｅ ｒＢｉｇＤａｔａＴｅ ｃ ｈｎｏｌ ｏｇｙｏｆＭｉｎｉｓ ｔｒｙｏｆＷａｔ ｅｒＲｅ ｓｏｕｒｃ ｅ ｓ？ ＩｌｏｈａｉＵｎｉ ｖｅｒｓｉ ｔｙ？ Ｎａｎｊｉｎｇ２１ １ １ ００）｛ ＳｃｈｏｏｌｏｆＣｏｍｐｕｔ ｅｒａｎｄＩｎｆｏｒｍａｔ ｉ ｏｎ？ ＩｌｏｈａｉＵｎｉ ｖｅ ｒｓ ｉｔｙ？ Ｎａｎｊｉｎｇ２１ １ １ ００）ＡｂｓｔｒａｃｔＴｈｅｄｅｖｅｌ ｏｐｍｅｎｔｏｆ５ ＧｎｅｔｗｏｒｋｓｈａｓｅｘｐａｎｄｅｄｔｈｅＩｎｔｅｒｎｅｔｏｆＴｈｉ ｎｇｓ ？ ｐｒｏｍｏｔｅｄｔｈｅｏｐｅｒａｔｉ ｏｎｏｆｃｅｌ ｌ ｕｌ ａｒｎｅｔｗｏｒｋｓ， ａｎｄｆｕｒｔｈｅｒｐｕｓｈｅｄｔｈｅＩｎｔｅｒｎｅｔｔｏｔｈｅｅｄｇｅｏｆｔｈｅｎｅｔｗｏｒｋ． Ｉｎｔｈｅｐｒｏｃｅｓｓｏｆｒａｐｉ ｄｄｅｖｅｌ ｏｐｍｅｎｔｏｆ５ Ｇｅｄｇｅｎｅｔｗｏｒｋｓ， ｍｏｂｉ ｌ ｅｅｄｇｅｕｓｅｒｓｈａｖｅｓｉｇｎｉ ｆｉ ｃａｎｔｌｙｉ ｍｐｒｏｖｅｄｔｈｅｑｕａｌ ｉ ｔｙｏｆｓｅｒｖｉ ｃｅ（ ＱｏＳ）ｒｅｑｕｉ ｒｅｍｅｎｔｓｆｏｒｈｉｇｈ ｂａｎｄｗｉ ｄｔｈａｎｄｌ ｏｗｌ ａｔｅｎｃｙＷｅｂｓｅｒｖｉ ｃｅｓ．Ｔｒａｄｉ ｔｉ ｏｎａｌＱｏＳｃａｌ ｃｕｌ ａｔｉ ｏｎａｎｄｏｐｔｉ ｍｉ ｚａｔｉ ｏｎａｒｅｆｒｏｍｔｈｅｐｅｒｓｐｅｃｔｉ ｖｅｏｆｓｅｒｖｉ ｃｅ， ａｎｄｔｈｅｃａｌ ｃｕｌ ａｔｉ ｏｎｏｆｑｕａｌ ｉ ｔｙｏｆｅｘｐｅｒｉ ｅｎｃｅ（ ＱｏＥ）ｉ ｓｆｒｏｍｔｈｅｐｅｒｓｐｅｃｔｉ ｖｅｏｆｅｄｇｅｕｓｅｒｓ． Ｆｒｏｍｔｈｅｐｅｒｓｐｅｃｔｉ ｖｅｏｆｍｏｂｉ ｌ ｅｅｄｇｅｎｅｔｗｏｒｋｓ， ｔｈｅｏｖｅｒａｌ ｌｓｅｒｖｉ ｃｅｑｕａｌ ｉｔｙｏｆｔｈｅｅｄｇｅａｒｅａｉ ｓｃｌ ｏｓｅｌｙｒｅｌａｔｅｄｔｏｔｈｅｅｄｇｅｕｓｅｒｓａｌ ｌ ｏｃａｔｉ ｏｎ（ ＥＵＡ） ． Ａｓａｒｅｓｕｌ ｔ， ＥＵＡｎｅｅｄｓｔｏｂｅｔａｋｅｎｉｎｔｏｃｏｎｓｉ ｄｅｒａｔｉ ｏｎｉｎｔｈｅｏｐｔｉ ｍｉ ｚａｔｉ ｏｎｗｏｒｋ．Ｔｈｅａｌ ｌ ｏｃａｔｉ ｏｎｏｆｅｄｇｅｕｓｅｒｓｔｏａｃｈｉ ｅｖｅｔｈｅｂｅｓｔｏｖｅｒａｌ ｌｓｅｒｖｉ ｃｅｑｕａｌ ｉ ｔｙｉ ｎｔｈｅａｒｅａｉ ｓａｈｏｔｔｏｐｉ ｃ．Ｔｈｅｃｏｍｐｌ ｅｘｉｔｙｏｆｕｓｅｒｍｏｖｅｍｅｎｔｂｅｈａｖｉｏｒａｎｄｓｃｅｎｅｓｂｒｉ ｎｇｓｄｉｆｆｉ ｃｕｌ ｔｉ ｅｓｔｏｔｈｅｅｄｇｅｕｓｅｒａｌ ｌ ｏｃａｔｉ ｏｎ．Ｔｈｅｒｅａｒｅａｌ ｓｏｐｒｉ ｖａｃｙｌ ｅａｋａｇｅｐｒｏｂｌ ｅｍｓｉ ｎｔｈｅｅｄｇｅｕｓｅｒａｌ ｌ ｏｃａｔｉ ｏｎｐｒｏｃｅｓｓ． Ｔｈｉ ｓｐａｐｅｒｐｒｏｐｏｓｅｓ收稿日期：２０２０ ０９ １ ３； 在线发布日期：２０２１ ０４ １ ６． 本课题得到江苏省自然科学基金（ ＢＫ２０１ ９１ ２９７） 、 中央髙校基本科研业务费专项资金（ Ｂ２１ ０２０３０７０， Ｂ２１ ０２０２０７５） 资助． 张鹏程， 博士， 教授， 博士生导师， 中国计算机学会（ ＣＣＦ） 髙级会员， 主要研究领域为软件工程、 服务计算和数据科学． Ｅｍａｉ ｌ： ｐＣｈｚｈａｎｇ＠ｈｈｕ． ｅｄｕ． ｃｎ． 魏芯淼， 硕士研究生， 主要研究方向为服务计算、 数据挖掘等． 金惠颖， 博士研究生， 主要研究方向为服务计算、 数据挖掘等．２４３２ 计 算机 学 报 ２０２１年ａｄｙｎａｍｉ ｃＱｏＳｏｐｔｉ ｍｉ ｚａｔｉ ｏｎｍｅｔｈｏｄｉ ｎｍｏｂｉ ｌ ｅｅｄｇｅｅｎｖｉ ｒｏｎｍｅｎｔｂａｓｅｄｏｎｆｅｄｅｒａｌｌ ｅａｒｎｉ ｎｇ（ ＭＥＣＦＬＤ ＱｏＳ） ． Ｂａｓｅｄｏｎｔｈｅｅｓｓｅｎｃｅｏｆｆｅｄｅｒａｌｌ ｅａｒｎｉ ｎｇ， ｔｈｅｐｒｏｐｏｓｅｄｍｅｔｈｏｄｕｓｅｓｇｒａｄｉ ｅｎｔｄｅｓｃｅｎｔｔｏｓｏｌ ｖｅｔｈｅｌ ｏｇｉ ｓｔｉ ｃｒｅｇｒｅｓｓｉ ｏｎｍｏｄｅｌ， ｔｒａｉ ｎｓｔｈｅｒｅｇｉ ｏｎａｌｐｕｂｌ ｉ ｃｍｏｄｅｌｔｏｏｐｔｉ ｍｉ ｚｅｔｈｅＷｅｂｓｅｒｖｉ ｃｅｃａｃｈｅｏｆｔｈｅｅｄｇｅａｒｅａ， ａｎｄａｌ ｌ ｏｃａｔｅｓｅｄｇｅｓｅｒｖｅｒｓａｃｃｏｒｄｉ ｎｇｔｏｔｈｅｕｓｅｒｌ ｏｃａｔｉ ｏｎｉ ｎｔｈｅｄｙｎａｍｉ ｃｍｏｂｉ ｌ ｅｓｃｅｎａｒｉ ｏ， ｅｆｆｅｃｔｉ ｖｅｌｙｐｒｏｔｅｃｔｉｎｇｕｓｅｒｐｒｉ ｖａｃｙ． Ｔｈｅｒｅｇｉ ｏｎａｌｓｅｒｖｉ ｃｅｑｕａｌ ｉ ｔｙｉ ｓｏｐｔｉｍｉ ｚｅｄ，ａｎｄｉ ｔｈａｓｂｅｔｔｅｒａｄａｐｔａｂｉ ｌ ｉ ｔｙｔｏｄｙｎａｍｉ ｃｕｓｅｒｍｏｂｉ ｌ ｉ ｔｙｓｃｅｎａｒｉ ｏｓ． ＭＥＣＦＬＤ ＱｏＳｍａｉｎｌｙｏｐｔｉｍｉ ｚｅｄｔｈｅｆｏｌ ｌ ｏｗｉ ｎｇａｓｐｅｃｔｓ ： （１）Ｏｐｔｉ ｍｉ ｚｅｓｔｈｅｔｒａｄｉ ｔｉ ｏｎａｌＱｏＳｄａｔａｓｅｔ， ｍａｐｓｔｈｅｄａｔａｓｅｔｔｏｔｈｅｅｄｇｅｎｅｔｗｏｒｋｅｎｖｉ ｒｏｎｍｅｎｔ， ａｎｄｆｕｌ ｌｙｃｏｎｓｉ ｄｅｒｓｔｈｅｍｏｂｉ ｌ ｅ， ｄｉ ｓｔｒｉ ｂｕｔｅｄ， ｒｅａｌ ｔｉ ｍｅ， ａｎｄｃｏｍｐｌ ｅｘｓｃｅｎａｒｉ ｏｓｆｅａｔｕｒｅｓｏｆｅｄｇｅｃｏｍｐｕｔｉ ｎｇ？ ａｎｄｆｏｒｍｓａｎｅｄｇｅＱｏＳｆｅａｔｕｒｅｄａｔａｓｅｔ； （ ２）Ｏｐｔｉ ｍｉ ｚｅｓｔｈｅｅｄｇｅｓｅｒｖｅｒｃａｃｈｅ， ｔｒａｉ ｎｓｔｈｅｕｓｅｒｐｒｅｆｅｒｅｎｃｅｍｏｄｅｌｏｎｔｈｅｕｓｅｒｔｅｒｍｉ ｎａｌ ｓ， ｏｎｌｙｔｒａｎｓｍｉ ｔｓｍｏｄｅｌｐａｒａｍｅｔｅｒｓｗｈｅｎｉ ｎｔｅｒａｃｔｉ ｎｇｗｉ ｔｈｔｈｅｒｅｇｉ ｏｎａｌｐｕｂｌ ｉ ｃｍｏｄｅｌ， ａｎｄｅｎｃａｐｓｕｌ ａｔｅｓｔｈｅｕｓｅｒ？ｓｐｒｉ ｖａｔｅｄａｔａｉ ｎｔｈｅｕｓｅｒｔｅｒｍｉｎａｌｔｏａｖｏｉ ｄｄａｔａｔｒａｎｓｍｉ ｓｓｉｏｎ， ｗｈｉ ｃｈｃａｎｅｆｆｅｃｔｉ ｖｅｌｙｐｒｏｔｅｃｔｓｕｓｅｒｃｈａｒａｃｔｅｒｉ ｓｔｉ ｃｐｒｉ ｖａｃｙ； （３）Ｏｐｔｉ ｍｉ ｚｅｓｕｓｅｒｍｏｂｉ ｌ ｅｓｃｅｎａｒｉ ｏｓ， ｃｏｌ ｌ ｅｃｔｓｕｓｅｒｍｏｂｉ ｌ ｅｉ ｎｆｏｒｍａｔｉ ｏｎｉ ｎｄｙｎａｍｉ ｃｍｏｂｉ ｌ ｅｓｃｅｎａｒｉ ｏｓ， ａｎｄｕｓｅｓｔｈｅｇｅｏｇｒａｐｈｉ ｃｌ ｏｃａｔｉ ｏｎｏｆｔｈｅｕｓｅｒｔｏａｃｃｅｓｓｔｈｅｂａｓｅｓｔａｔｉ ｏｎｔｏｆｉ ｔｔｈｅｕｓｅｒ’ｓｍｏｖｅｍｅｎｔｔｒａｊｅｃｔｏｒｙｆｏｒｐｒｅｄｉ ｃｔｉ ｏｎ， ｗｈｉ ｃｈｅｆｆｅｃｔｉ ｖｅｌｙｂｌ ｕｒｓｔｈｅｕｓｅｒ？ｓｒｅａｌ ｉ ｔｙｌ ｏｃａｔｉ ｏｎｗｈｉ ｌ ｅｐｒｅｄｉ ｃｔｉ ｎｇｔｈｅｔｒａｊｅｃｔｏｒｙ， ｅｆｆｅｃｔｉ ｖｅｌｙｐｒｏｔｅｃｔｓｔｈｅｕｓｅｒｓ’ｌ ｏｃａｔｉ ｏｎｐｒｉ ｖａｃｙ； （ ４）Ｏｐｔｉ ｍｉ ｚｅｓｔｈｅｕｓｅｒａｌ ｌ ｏｃａｔｉ ｏｎｍｅｔｈｏｄ， ａｎｄｐｒｏｐｏｓｅｄａｎｉ ｍｐｒｏｖｅｄｔｗｏ ｄｉ ｍｅｎｓｉ ｏｎａｌ ｓｏｌ ｕｔｉ ｏｎｂａｓｅｄａｒｔｉ ｆｉ ｃｉ ａｌｂｅｅｃｏｌ ｏｎｙａｌｇｏｒｉ ｔｈｍ（ＡＢＣ）ｔｏｏｐｔｉ ｍｉ ｚｅｔｈｅｕｓｅｒａｌ ｌ ｏｃａｔｉ ｏｎｐｒｏｂｌ ｅｍｉ ｎｔｈｅｅｄｇｅｎｅｔｗｏｒｋ． Ｆａｃｔｓｈａｖｅｐｒｏｖｅｄｔｈａｔｔｈｅｉ ｍｐｒｏｖｅｄａｒｔｉ ｆｉ ｃｉ ａｌｂｅｅｃｏｌ ｏｎｙａｌｇｏｒｉ ｔｈｍｅｆｆｅｃｔｉ ｖｅｌｙｏｐｔｉ ｍｉ ｚｅｓｕｓｅｒａｌ ｌ ｏｃａｔｉ ｏｎａｃｃｏｒｄｉｎｇｔｏｉｔｓｍｕｌ ｔｉ ｖａｒｉ ａｂｌ ｅａｎｄｍｕｌ ｔｉｐｅａｋｃｈａｒａｃｔｅｒｉ ｓｔｉ ｃｓ， ａｎｄａｃｈｉ ｅｖｅｓａｂｅｔｔｅｒａｌ ｌ ｏｃａｔｉｏｎｅｆｆｅｃｔ． Ｔｏｓｕｍｕｐ，ｔｈｅＭＥＣＦＬＤ ＱｏＳｍｅｔｈｏｄｐｒｏｐｏｓｅｄｉ ｎｔｈｉ ｓｐａｐｅｒｐｒｏｔｅｃｔｓｔｈｅｕｓｅｒ？ｓｃｈａｒａｃｔｅｒｉ ｓｔｉ ｃｐｒｉ ｖａｃｙａｎｄｌ ｏｃａｔｉ ｏｎｐｒｉ ｖａｃｙｗｈｉ ｌ ｅｅｎｓｕｒｉ ｎｇｔｈｅｏｐｔｉ ｍｉ ｚａｔｉ ｏｎｅｆｆｅｃｔ． Ｓｏｉ ｔｈａｓａｇｏｏｄｐｒｅｆｅｒｅｎｃｅｏｎａｃｈｉ ｅｖｉ ｎｇｇｏｏｄｒｅｓｕｌ ｔｓｉ ｎｐｒｉ ｖａｃｙｐｒｏｔｅｃｔｉ ｏｎ． Ｔｈｅｅｘｐｅｒｉ ｍｅｎｔｓｏｎｅｄｇｅＱｏＳｆｅａｔｕｒｅｄａｔａｓｅｔｓｈｏｗｔｈａｔｔｈｅｍｅｔｈｏｄｐｒｏｐｏｓｅｄｃａｎｐｒｏｄｕｃｅｔｈｅｇｌ ｏｂａｌｏｐｔｉ ｍａｌａｌ ｌ ｏｃａｔｉ ｏｎｉ ｎｔｈｅｍｕｌ ｔｉ ｖａｒｉ ａｂｌ ｅａｎｄｍｕｌ ｔｉｐｅａｋｕｓｅｒａｌ ｌ ｏｃａｔｉ ｏｎｐｒｏｂｌ ｅｍ．Ｋｅｙｗｏｒｄｓｍｏｂｉ ｌ ｅｅｄｇｅ； ｆｅｄｅｒａｌｌ ｅａｒｎｉ ｎｇ； ｍｏｂｉ ｌ ｉ ｔｙａｗａｒｅ； ｅｄｇｅｕｓｅｒａｌ ｌ ｏｃａｔｉｏｎ； ｑｕａｌ ｉｔｙｏｆｓｅｒｖｉ ｃｅｉ 引 言在面向服务体系架构［１］（ Ｓｅｒｖｉ ｃｅ Ｏｒｉ ｅｎｔｅｄＡｒｃｈｉｔｅｃｔｕｒｅ， ＳＯＡ）中， Ｗｅｂ月艮务是独立于平台的低稱合、 自包含、 可编程的应用程序． 在用户选择、 调用Ｗｅｂ 服务的过程中， 可感知Ｗｅｂ 服务的非功能属性， 包括响应时间、 吞吐量等， 称为Ｗｅｂ 服务的服务质量（ Ｑｕａｌ ｉ ｔｙｏｆＳｅｒｖｉ ｃｅ， ＱｏＳ） ．随着政府报告？重点支持“两新一重”建设， 加快布局５Ｇ网络、 物联网等新型基础设施，５ Ｇ技术也发展成为国家未来的战略发展方向，５ Ｇ网络、 物联网等新基建陆续有新政策出台支持其发展， 从而带动５ Ｇ行业的发展． ５ Ｇ基站作为５ Ｇ网络的核心设备， 能够实现有线通信网络和无线终端之间的信号传输， 也将实现更高密度的部署． 边缘计算作为５ Ｇ核心技术之一， 将高带宽、 低时延、 本地化的业务下沉到网络边缘［２］， 解决了网络整体流量大、 时延长的问题， 为５ Ｇ网络中的实时性和带宽密集型业务提供更好的支持． 在业务下沉过程中， 由于边缘服务器的计算性能不同， 用户移动设备的位置也在不断发生变化， 边缘环境下不同的用户移动设备的分配策略会产生不同的服务质量． 因此在边缘环境下如何优化ＱｏＳ成为边缘计算的研究热点．大量学者从Ｗｅｂ 服务的角度， 在计算卸载和任务调度方面开展ＱｏＳ优化的研究， 通过考虑边缘节点资源消耗约束， 服务的业务逻辑约束， 以及用户移动性等约束， 形成任务调度策略， 计算相应的响应时间和吞吐量等Ｑ〇Ｓ 属性值， 找到最优的调度策略，主要有优化任务接受率［３］、 优化策略成本＞５］、 优化计算卸载［６ 〃］和优化资源分配［８？． 尽管这些方法在①ｈｔｔｐ： ／／ｗｗｗ．ｇｏｖ． ｃｎ／ｐｒｅｍｉｅｒ／２０２０ ０５／２９／ｃｏｎｔｅｎｔ ５５１ ６０７２．张鹏程等： 移动边缘计算下基于联邦学习的动态ＱｏＳ优化 ２４３ ３１２ 期移动感知的边缘计算优化方面取得一些进展， 但现有的方法不适用于复杂的用户移动场景中， 无法感知复杂移动下的相关约束； 另一方面现有的工作未能在动态边缘环境下优化边缘服务的服务质量， 优化效果无法统一比较＆４ ’ ６ 〃］． 现有的移动边缘计算的优化策略存在问题归纳如下：（１） 现有的计算卸载和任务调度方法未考虑边缘服务器的服务缓存对边缘服务的质量的影响． 考虑移动边缘云的计算、 通信和存储资源有限［９］， 需要设计能量消耗最小的服务缓存方案减少服务部署时间． 现有的服务缓存策略取决于用户对服务的偏好程度． 服务缓存和计算卸载与任务调度的优化同样能够缩短边缘服务调用的响应时间， 因此服务缓存作为优化路线， 应在进行ＱｏＳ优化时列人考虑．（２） 现有的移动感知方法尽管考虑用户移动性， 但未考虑移动场景的动态变化． 当前基于用户移动性的优化方法只考虑特定静态场景＾８ ？， 如病人健康护理监控、 智慧警务系统以及指定路口的用户移动场景， 提出的方法对于复杂多变的动态移动场景没有较好的适配度， 无法随场景的变化预测用户的移动路线， 因此不能反映真实５ Ｇ场景下的用户移动和边缘服务复杂性． 本文考虑了在复杂、 多元的边缘计算环境下的用户移动问题， 在动态移动场景下解决ＱｏＳ优化问题．（ ３） 用户信息泄露现象严重． 随着越来越多的用户移动设备调用边缘服务， 需要对用户的行为特征进行研究以预测用户在边缘网络环境中的位置和行为进行用户分配， 这一过程会导致用户的特征隐私和的位置隐私的泄露［３ ’ ９］． 因此隐私保护在动态ＱｏＳ优化过程中具有非常重要的意义．针对上述三个问题， 本文提出一种移动边缘环境下基于联邦学习的服务质量优化方法（ Ｄｙｎａｍｉ ｃＱｏＳＯｐｔｉ ｍｉｚａｔｉ ｏｎｂａｓｅｏｎＦｅｄｅｒａｌＬｅａｒｎｉｎｇｉｎＭｏｂｉ ｌ ｅＥｄｇｅＣｏｍｐｕｔｉ ｎｇ， ＭＥＣＦＬＤ ＱｏＳ） ． 从移动边缘网络的角度， 针对复杂多变的移动边缘环境， 还原真实的用户移动和服务调用行为， 收集准确的移动边缘数据．一方面通过联邦学习训练用户移动设备偏好模型和区域公有模型确定边缘服务缓存， 在缩短边缘服务响应时间的同时保护用户的特征信息． 另一方面， 通过定位基站的位置来还原用户的移动信息， 确定可分配的边缘服务器， 优化边缘用户分配以保护用户的位置信息． 最后利用改进的基于二维解的人工蜂群算法分配边缘用户， 优化区域服务质量． 总体来说， 本文的贡献包括以下三个方面：（１） 针对问题（１） ， 由于边缘服务器的服务缓存对边缘服务调用产生的ＱｏＳ 有一定影响［１ １］， 已缓存的边缘服务相比未缓存的边缘服务在调用时传输数据量更小、 计算速度更快． 因此通过训练区域公有模型确定边缘服务器的服务缓存， 将调用频率更高的边缘服务缓存在边缘服务器中， 缩短更多边缘服务调用的响应时间， 以提高区域服务质量．（ ２） 针对问题（ ２） ， 由于当前的移动感知方法适用于小范围且固定场景中， 未考虑动态场景下的用户移动和行为特征． 因此本文提出的拉格朗日轨迹预测能够在移动边缘动态场景中考虑用户的移动性， 从而扩大移动感知方法的适用范围， 增强其可用性．（ ３） 针对问题（ ３） ， 针对用户的特征隐私， 由于联邦学习具有共同学习、 合作建模的特点 ， 在建立公有模型时只需上传训练参数， 可有效避免用户隐私信息在传输过程中泄露． 因此本文利用联邦学习优化服务缓存可以有效地保护用户的特征隐私；针对用户的位置隐私， 我们采用边缘基站的位置来预测用户的移动路径， 结合“Ｋ匿名”思想［１ ３］的拉格朗日轨迹预测方法可以有效地模糊用户的具体位置信息， 以达到保护用户的位置隐私的目的， 同时在动态场景下预测用户的移动性．本文第２ 节介绍移动边缘计算的相关优化工作；第３ 节介绍本方法的背景知识以及相关方法的理论基础； 第４ 节详细介绍本文提出的移动边缘环境下基于联邦学习的动态ＱｏＳ优化方法ＭＥＣＦＬＤ Ｑ〇Ｓ；第５ 节进行实验设计并评估本文方法； 第６ 节总结本文的工作并进行展望．２ 相关工作现有的移动边缘网络Ｑ〇Ｓ 优化工作主要包括用户分配优化和任务调度优化， 基于计算资源和服务质量对移动边缘网络进行优化．２． １ 边缘用户分配在移动边缘环境中， 用户移动设备的存储和计算能力有限， 因此移动边缘网络支持它们将密集的计算任务填充到邻近的边缘服务器． 边缘服务器在满足覆盖范围和任务量时可为接人的用户移动设备提供服务． 传统的Ｑ〇Ｓ计算和优化从服务的角度计算服务在调用过程中的各项属性； 服务体验（ Ｑｕａｌ ｉ ｔｙｏｆＥｘｐｅｒｉ ｅｎｃｅ， ＱｏＥ） 是从用户的角度计算用户在调用过程中获得的不同级别ＱｏＳ 的满意程度［１ ４］； 从移动边缘网络的角度看， 区域整体ＱｏＳ 的计算与边缘２４３４ 计 算机 学 报 ２０２１年用户的分配息息相关， 因此需要考虑边缘用户的分配以实现区域整体服务质量的最优． 服务提供商在部署服务时， 也需考虑边缘计算中应用的按需付费定价与边缘服务器数量之间的经济效益．Ｈｅ 等人［１ ？６］将此类问题定义为边缘用户分配问题（ ＥｄｇｅＵｓｅｒＡｌ ｌ ｏｃａｔｉ ｏｎ， ＥＵＡ） ， 对此类问题进行建模， 分析边缘环境的资源、 距离等约束， 提出启发式方法解决ＥＵＡ问题； 在此基础上， Ｈｅ 等人进一步考虑了边缘服务用户的动态ＱｏＳ级别， 以找到一种可最大程度提高应用程序用户总体Ｑ〇Ｅ的解决方案， 以及基于距离感知和对抗感知的边缘用户分配． Ｐｅｎｇ 等人［１ ７］也在边缘用户分配问题上进行了研究， 基于用户的移动性和时变性提供在线决策．上述的边缘用户分配问题没有针对区域的整体ＱｏＳ进行优化．２． ２ 计算卸载和任务调度现有的大量边缘计算优化工作集中在用户卸载决策问题上， 这类工作先估算研究任务的延迟和能耗， 再制定将任务部署到服务器或在本地执行的策略， 最后观察执行调度策略后的能耗和时延是否达到优化效果．Ｄｅｎｇ 等人［８］提出了在资源和性能要求受限时在ＭＥＣ环境中通过优化应用程序部署减小部署成本； Ｍｍｏ 等人［６］提出基于任务预测的计算分流和任务迁移算法， 在数据和服务增加的同时有效地减小总任务的延时． 在边缘环境中用户的移动性也是不容忽视的一个因素， Ｘｕ等人［７］在医疗监控场景下，通过调整移动感知的工作流卸载和调度策略， 降低能耗和工作量以实现最佳的适应性； Ｗａｎｇ 等人［４］同时考虑了任务属性、 用户移动性和网络约束， 以减少任务调度对任务执行的延迟．２． ３ 服务缓存由于将服务放置在边缘服务器上可以减少用户获得服务的等待时间， 因此许多研究人员研究服务放置， 目的在于探索最佳服务放置方案， 以实现最大程度地提高移动设备的服务质量． 近年来， 服务放置吸引了许多学者的目光， 专家学者提出了一些服务放置方案， 如Ｌｉ ａｎｇ 等人［１ ８］提出在总放置成本不超过指定的预算阈值的约束下， 决定将服务实体放置在交互式应用程序用户之间以实现低延迟成对交互的位置， Ｙｏｕ等人［１ ９］提出权衡成本与延迟的服务放置模型， Ｑｍｎ等人［９］提出基于联邦学习确定服务放置策略， 结合用户偏好放置服务， 同时保护了用户移动设备的隐私．上述ＱｏＳ优化方法中， 基于计算卸载和任务调度的优化问题在考虑用户的移动性时， 研究场景不具有动态性和不确定性， 无法在动态场景中应用， 现有工作只考虑用户、 服务其中之一进行ＱｏＳ 优化，没有进行综合优化， 对用户特征隐私和位置隐私的泄露问题也没有提出解决方案． 因此目前还不存在面向隐私保护的移动边缘环境下基于联邦学习的动态ＱｏＳ优化方法．３ 预备知识３．１ 移动边缘计算５ Ｇ网络推动了物联网的发展， 推进了蜂窝网络的运营， 将互联网推向网络边缘． 近几年， 响应国家“两新一重”建设， 国家加强新型基础设施建设， 发展新一代信息网络， 拓展５Ｇ应用， 这意味着５ Ｇ成为国家未来的战略发展方向， 国内通信运营商也加大５ Ｇ基站的建设规模． 在去中心化的５ Ｇ网络中， 诸多高带宽、 低时延的任务需要在网络边缘部署小规模数据中心， 实现请求的本地化处理［２ °］． 在移动边缘网络中， 基站是网络的通信结点， 而边缘服务器是网络的计算结点， 由于在实际部署中， 基站和边缘服务器部署在同一位置， 因此本文默认基站和边缘服务器地处相同位置．３． ２ 联邦学习联邦学习作为一种新型的人工智能技术，２０１６ 年由谷歌最先提出， 用于处理安卓移动设备的本地化模型训练， 联邦学习在保证本地数据的隐私的同时，在多参与方或多计算结点之间开展高效率的机器学习［２ １］． 联邦学习使用共同学习、 合作建模的思想， 其参与者地位对等， 可以在彼此保持独立性的同时交换信息参数， 同时能够保证各参与者之间数据隔离，在模型质量无损的同时满足用户隐私保护和数据安全的要求． 针对不同的参与各方数据源分布情况， 可以将联邦学习分为三类： 联邦迁移学习、 纵向联邦学习和横向联邦学习．联邦迁移学习在数据集用户和用户特征都重合较少的情况下， 解决数据和标签稀疏的问题； 纵向联邦学习在数据集用户重叠较多但用户特征重叠较少的情况下， 训练特征维度不同的数据； 横向联邦学习在数据集用户特征重叠较多但用户重叠较少的情况下训练用户维度不同的数据． 由于本文针对的是同一边缘区域中的不同用户， 因此训练该边缘区域的不同用户的用户偏好模型， 在区域内进行合作建模，张磨赛警Ｉ 驗动戴缘背眞下基宁舉霉： 学苟的翁态Ｑ？Ｓ：偉： 化 ２４３ ５ Ｓ醫该问题中各用户的特征维度相同， 在不词甩户移动设备上训练用户偏好模邏， 目此选用横向联邦学４来构建区域公有模型＞撞向联邦学习的学