1.一种可信边缘服务器的选择与能耗优化的任务卸载方法，其特征在于，包括以下步骤：S1，根据边缘服务器和用户本地设备相关信息数据构建系统模型；

S2，对任务信息以及MEC缓存任务类分别作标准化处理并进行模糊c均值FCM聚类，然后进行编码匹配，得到各个任务类优先选择卸载的MEC服务器；

S3，采用集对分析理论对用户任务与边缘计算服务器的可信度关系进行度量分析；

S4，根据步骤S2的结果，把任务划分为子任务在多接入点网络中进行任务卸载并计算出能耗；通过WOA鲸鱼优化算法，在容忍时延范围内优化能耗，得到各设备任务的卸载决策；

S5，根据卸载决策将子任务通过无线接入点卸载到对应的边缘节点或是本地处理；

所述步骤S3采用集对分析理论对用户任务与边缘计算服务器的可信度关系进行度量分析，具体包括：假定有两个数据集，分析它们的特性并得到两个集合所有的特性总数为 N，同一特性个数为 M，对立的特性个数为 Q，其余不相互对立且不相互同一的特性个数为 L，分别称其比值 M/N、L/N 和 Q/N 为特定问题背景下的两个集合的同一度、差异度和对立度；再利用集对的联系度对数据集间的特性作定量刻画；表达式如下：其中，  为两数据集之间的联系度，i为差异度标记，j为对立度标记，当 i和j作为系数参加运算时，定义j=‑1，i在区间[–1，1]依条件取值；为简便计算，令a=M/N、b=L/N、c=Q/N，则公式可写成  =a+bi+cj，联系度 能够反映数据与所在范围、数据集与数据集之间的确定性与不确定性的相互联系，因此可用来描述两数据集之间的关联隐私信息的不确定性；

首先分析数据集的相邻数据子集对所具有的同一度、差异度和对立度特性并加以量化描述，得到联系度表达式；根据S2已经分组后的信息，定义同势为该分组下所有任务与该MEC服务器缓存任务类的编码完全相同记为M，同势为该分组下所有任务与该MEC服务器缓存任务类的编码完全不相同记为Q，均势为其他值；

计算出表达式中同一度、差异度和对立度之间的势值来反映服务器的可信程度；定义联系度的势值Shi( )= a/c度量指标；根据计算的势值大小将可信值信息分为同势、均势和反势，同势表示该边缘服务器可信度较高，反势表示该边缘服务器可信度较低，均势介于同势与反势之间；联系度的势值越大，那么此类任务对该MEC服务器的可信值越大。

2.根据权利要求1所述的一种可信边缘服务器的选择与能耗优化的任务卸载方法，其特征在于，所述步骤S1根据服务器和设备相关信息数据构建系统模型的方法具体包括：根据数据中服务器和设备的相关信息，采用 ，其中 表示任务地理位置

的横纵坐标，表示任务输入的数据量大小，它主要由程序代码、输入文件组成，表示任务所需的计算资源，表示完成此任务的最大可容忍时延。

3.根据权利要求1所述的一种可信边缘服务器的选择与能耗优化的任务卸载方法，其特征在于，所述步骤S2对任务信息以及MEC缓存任务类分别作标准化处理并进行FCM（模糊c均值）聚类，具体包括：在聚类操作前，对用户任务和MEC缓存的任务数据首先进行标准化处理，数据标准化公式所下所示：其中，x是待标准化数据， 表示数据矩阵中每一列数据的取值，  是矩阵行数，与 分别为x所在列的最大值与最小值， 是标准化处理之后的数据；

然后使用FCM聚类方法，对已经标准化的数据进行模糊聚类；FCM算法的处理过程如下：首先，确定聚类个数、模糊指数的值，设定迭代次数、终止阈值，初始化样本对象的隶属度矩阵并确保隶属度之和为1，即：其中，为聚类的个数， 表示每个样本j属于某一类i的隶属度；

之后，根据隶属度计算聚类中心，并计算目标函数值，计算公式如下所示：其中， 表示聚类中心， 表示样本的隶属度， 表示模糊指数， 表示每个样本数据，J表示目标函数；

聚类中心与隶属度更新公式为：

其中，  表示第j个聚类中心，n代表数据集中数据对象的个数， 表示对象 与聚类中心 之间的隶属度， 表示聚类簇的个数；

其中， 表示更新后的对象 与聚类中心 之间的隶属度， 表示聚类簇的个数；由分式下半部分可知，分子表示对象到 聚类中心 的距离，而分母则表示当前对象到所有聚类中心的距离之和；根据聚类中心的值重新计算样本对象的隶属度，之后，又更新聚类中心的值，重复此步骤直到满足算法的终止条件：1.迭代次数达到人为设定的次数；2.最后两次目标函数之差小于人为设定的阈值。

4.根据权利要求3所述的一种可信边缘服务器的选择与能耗优化的任务卸载方法，其特征在于，所述步骤S2的编码步骤具体包括：定义1 编码规则 判断聚类中心五个维度属性值的大小，如果该维度的值大于该维度取值范围的50%，则认为该维度需求较强或该属性为强属性，编码为‘1’，否则编码为‘0’；

定义2 类间相异度  计算以0，1编码代表的任务类与MEC缓存任务类之间的相异度，以海明距离作为任务类与MEC缓存任务类之间的相异性度量。

5.根据权利要求4所述的一种可信边缘服务器的选择与能耗优化的任务卸载方法，其特征在于，当编码完成之后，进行任务类与MEC缓存任务类的相似性匹配，让最终的任务与MEC缓存任务的匹配在相似的类间完成，多用户多MEC服务器的类间匹配方法如下：任务聚合器首先收集各MEC服务器发送来的任务缓存类信息，然后各用户任务类发往任务聚合器进行计算任务的合并聚类；任务聚合器首先处理任务类与每一个MEC缓存类的匹配，然后通过整合得到每个任务类的最佳卸载MEC服务器；最后根据求带权二分图的最小权匹配的匈牙利（Kuhn‑Munkras）算法选出权值最小的匹配即为当前用户任务类需要卸载的MEC服务器。

6.根据权利要求1所述的一种可信边缘服务器的选择与能耗优化的任务卸载方法，其特征在于，所述步骤S4计算卸载决策的方法包括步骤：(1) 根据步骤S3的结果，将任务划分为若干子任务；定义移动用户的计算卸载策略为，其中 是卸载决定集合， 为用户m的卸载决定， 代表用户m通过无线接入点ap将计算任务迁移到某一个MEC服务器完成，并且 表示用户在本地处理计算任务；

(2) 根据带宽，用户设备功率，信道增益，噪声功率计算子任务传输速率；

(3) 根据用户设备CPU频率和子任务所需的计算力计算本地处理时延；

(4) 根据子任务传输速率和子任务大小计算传输时延；

(5) 根据边缘服务器CPU频率和子任务所需计算力计算边缘服务器处理时延；

(6) 根据用户设备CPU频率、子任务所需的计算力、以及本地设备硬件相关能耗系数计算本地处理能耗；

(7) 根据用户设备功率，传输时延计算传输能耗；

(8) 根据边缘服务器CPU频率、子任务所需的计算力、以及边缘服务器硬件相关能耗系数计算边缘服务器处理能耗；

(9) 根据(6),(7),(8)计算最终能耗；

(10) 通过WOA算法作出卸载决策，使得任务处理时延在可容忍时延范围内并优化能耗。

7.根据权利要求6所述的一种可信边缘服务器的选择与能耗优化的任务卸载方法，其特征在于，所述步骤(10)中，通过WOA算法作出卸载决策的步骤包括：

1) 初始化 个鲸鱼，位置在解空间内随机分布，其中每个鲸鱼都是一个 维向量，为子任务个数，为多接入点个数，使用 的矩阵 存储鲸鱼位置；

2) 再用一个 维向量存储每个鲸鱼位置的适应度值，适应度值对应每个子任务i通过接入点j产生的能耗 ；

3) 将第一代鲸鱼位置按照适应度值从小到大排序，排序后选出鲸鱼种群的个体最优值和鲸鱼种群的全体最优值；

4) 在收缩包围机制和螺旋模型之间进行选择，判断选择哪种模式进行鲸鱼位置的更新；选择出模式之后，然后计算鲸鱼位置更新后的适应度值，将更新后的鲸鱼位置适应度值重新排序，选取适应度值更优的空间位置更新为下一代鲸鱼的位置；

5) 迭代次数 执行步骤4)，进入下一代，直至迭代次数 达到最大迭代次数 ，结束迭代，输出最优卸载决策。

8.根据权利要求7所述的一种可信边缘服务器的选择与能耗优化的任务卸载方法，其特征在于，所述WOA算法用二值映射，鲸鱼位置向量的维度数对应任务数，目标函数适应度值对应于能耗值，迭代过程中计算适应度值时，将鲸鱼位置中的各个分量的值看作优先级，数值大的优先级高，以此将鲸鱼位置向量的值映射为 ，其中是卸载决定集合， 为用户m的卸载决定； 代表用户

m通过无线接入点ap将计算任务迁移到某一个MEC服务器完成，并且 表示用户在本地处理计算任务；鲸鱼的位置对应于优化问题的一个解向量，即卸载决策，映射后此向量的各个分量为 或0，为 代表卸载至边缘服务器的无线接入点ap中进行处理，当终端设备i决定卸载其一部分子任务至边缘服务器无线接入点ap时，那么设备i中的其他子任务也只能选择此服务器作为边缘卸载服务器；为0则本地处理；最后，算法最终输出最优卸载决策。

9.根据权利要求7所述的一种可信边缘服务器的选择与能耗优化的任务卸载方法，其特征在于，所述步骤4)具体包括：将鲸鱼的气泡网的行为进行建模，鲸鱼在一个不断缩小的圆圈内绕着猎物游动，同时沿着螺旋路径游动；假设有50%的可能性在收缩包围机制和螺旋模型之间进行选择；如下公式所示：其中， 表示当前最优解的位置向量， 表示当前解向量的位置向量， 表示对数螺旋常数，表示[‑1,1]中的随机数，  为[0,1]之间的随机数，其中， 和 为系数向量，和 的计算如下所示：其中， 在算法迭代过程中从2线性地下降至0，为[0,1]之间的随机向量；变量 变化过程如下公式所示：其中， 表示当前迭代次数， 表示最大迭代次数；

除了泡泡网方式，鲸鱼还会随机寻找猎物，同样基于可变 向量，鲸鱼会根据彼此的位置进行随机搜索，因此使用随机值大于1或小于‑1的 来迫使搜索代理远离最优的搜索代理，而是根据随机选择的搜索代理来更新当前鲸鱼的位置；数学模型如下:其中 为从当前种群中选择的随机位置向量即表示一头随机鲸鱼。