1.一种基于车边云自主协同的可信任务卸载方法，其特征在于，通过分析数据敏感性、资源抢占性、历史卸载成功率和协作反馈评价，精准辨识虚假任务和恶意节点，并利用离散粒子群算法迭代获取车边云协同卸载决策，有效提升卸载效率和安全性，主要包括以下步骤：步骤一、对当前周期内产生的待处理任务进行真实性评估，一是依据任务自身的数据敏感性，二是依据任务产生源节点的卸载请求频率，若任务真实性低于设定阈值则判定该任务存在攻击风险并将其从任务集合 中删除，剩余真实任务进入卸载决策阶段；

步骤二、对参与任务计算的车辆、边缘节点实施信任度评估，一是基于节点历史任务处理成功率，二是基于协作交互节点的反馈评价，综合节点在多个观察期的行为趋势和时间衰减特征得到节点综合可信度，若节点可信度低于设定阈值 则判定该节点可能为恶意节点并将其从节点集合 中删除，剩余可信节点进入卸载决策阶段；

步骤三、以真实任务与可信节点为对象，改进并重新设计离散粒子群算法的种群初始化、适应度评估、速度位置更新以及有效性修正等步骤，迭代获取任务最佳卸载决策，执行卸载服务，并基于任务完成质量、节点协作情况等反向更新节点信任评估模型。

2.根据权利要求1所述的基于车边云自主协同的可信任务卸载方法，其特征在于，步骤一的具体操作为：对于任意一个任务Ti，基于它的任务敏感性和源节点资源抢占性构建信任评估函数，具体表述为：其中，ɑ和β是权值调整因子， 和 是任务Ti涉及的敏感数据量和总数据量，K是该任务产生周期内的总任务数量； 是在第k个观察期任务源节点发起的任务处理请求数；然后，基于任务信任度 进行分类处理，若信任度低于阈值 则将其从任务集合中删除，若信任度高于阈值 则将其保留在集合 中并进行后续卸载决策。

3.根据权利要求1所述的基于车边云自主协同的可信任务卸载方法，其特征在于，步骤二的具体操作为：对于任意一个节点Ni，分析它的历史任务成功率与交互协作信誉，引入权值调整因子ω，构建它在第k个观察期的信任评估函数，具体表述为：其中， 和 是节点Ni在第k个观察期处理的成功和失败任务数量， 是第j个交互者提供的关于节点Ni的反馈评价，Rj是是第j个交互者的可靠性，M是提供反馈评价的交互节点总数；将每个周期划分为M个信任观察期，在考虑时间衰减的情况下，综合M个观察期节点信任评估情况，得到节点Ni在第k个观察期的综合信任度为：其中，

其中， 是节点信任记忆保持量关于时间t的衰减函数，η1＝1.84，η2＝1.25，t表示对应信任关系产生距离当前时间的差值，以分钟为单位；然后，基于节点信任度进行分类处理，若节点可信度低于信任阈值 将其从节点集合 删除；若节点可信度高于阈值 则让其进入后续卸载决策阶段，并作为任务卸载和计算的候选节点。

4.根据权利要求1所述的基于车边云自主协同的可信任务卸载方法，其特征在于，步骤三的具体操作为：首先，确定粒子位置和速度编码，固定编码长度为n，n为任务个数，位置编码每位取值为null或ni， 表示任务处理节点，粒子速度编码每位取值为0或1，0表示在下一次迭代时调整对应的位置编码片段，1表示不调整下次迭代中的位置片段；然后，采用本地优先‑随机调整算法产生初始的粒子种群；接着，基于最小化能耗与延迟加权和优化目标来构建粒子评估的适应度函数，具体表述为：其中， 是任务Ti关于节点nj的处理决策，若 则表示将任务Ti分配给nj，此时任务处理代价为 λ是能耗和延迟的权重调整因子，并基于评估的粒子适应度找到个体最优粒子和全局最优粒子；然后，引入随机量、映射函数等更新粒子在下一次迭代中的速度编码，基于速度向量并结合个体和最优粒子更新下一次迭代中的位置编码；最后，对照节点资源约束和任务延迟约束对粒子有效性进行修正；重复迭代直到获取收敛的卸载决策或达到最大迭代次数。