1.一种面向隐私保护与能耗优化的任务卸载方法，其特征在于，包括以下步骤：S1，根据服务器和设备相关信息数据构建系统模型；

S2，根据系统模型，对任务信息数据作标准化处理并为属性分配不同的权重，得到待分组的任务信息数据；

S3，采用聚类算法，对得到的任务信息数据根据属性权重进行分组，分组的组数与系统模型中服务器数量相等；

S4，根据建立的系统模型以及分组结果计算出能耗；并通过改进MFO飞蛾火焰算法，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，根据卸载决策将任务卸载到对应的边缘节点或进行本地处理；

所述步骤S3采用聚类算法，对得到的任务信息数据根据属性权重进行分组，具体包括步骤：(1)对于M个服务器与N个用户设备任务，根据服务器位置确定M个初始聚类中心c(2)分别计算每个数据对象x

(3)依据公式

(4)若对于任意的i∈{1，2，...，m}，m表示服务器个数，c(5)在得到聚类结果之后，根据不同的分组分别将任务对应到相应分组的服务器，使得MEC服务器节点覆盖范围内存在多个用户卸载任务信息相似，攻击者无法从多个卸载行为相近的用户中区分出所攻击的目标用户；

所述步骤S4计算卸载决策的方法包括步骤：

(1)根据带宽，用户设备功率，信道增益，噪声功率计算任务传输速率；

(2)根据用户设备CPU频率和任务所需的计算力计算本地处理时延；

(3)根据任务传输速率和任务大小计算传输时延；

(4)根据边缘服务器CPU频率和任务所需计算力计算边缘服务器处理时延；

(5)根据用户设备CPU频率、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；

(6)根据用户设备功率，传输时延计算传输能耗；

(7)根据边缘服务器CPU频率、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；

(8)根据(5)，(6)，(7)计算最终能耗；

(9)通过MFO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；

所述步骤(9)中，通过MFO算法作出卸载决策的步骤包括：

1)初始化D个飞蛾，位置在解空间内随机分布，其中每个飞蛾都是一个N维向量，N为用户设备个数，使用D×N的矩阵Z存储飞蛾位置；

2)再用一个D维向量存储每个飞蛾位置的适应度值，适应度值对应每个用户设备的能耗E

3)将第一代飞蛾位置按照适应度值从小到大排序，排序后赋值给火焰，作为第一代中火焰的空间位置；

4)每个飞蛾依据更新公式向对应火焰飞去并更新位置；

5)计算飞蛾位置更新后的适应度值，将更新后的飞蛾位置与火焰位置的适应度值重新排序，选取适应度值更优的空间位置更新为下一代火焰的位置；

6)计算火焰数量flame_no，

7)迭代次数iter+1，执行步骤4)，进入下一代，直至迭代次数iter达到最大迭代次数max_iter，结束迭代，输出最优卸载决策；

所述MFO算法用二值映射，飞蛾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，将飞蛾位置中的各个分量的值看作优先级，数值大的优先级高，以此将飞蛾位置向量的值映射为1或0；飞蛾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1或0，为1代表此用户设备任务卸载到边缘服务器执行，为0则本地处理；最后，可以卸载的任务对应的分量值为1，反之为0，算法最终输出最优卸载决策。

2.根据权利要求1所述的面向隐私保护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，利用矩阵存储M个服务器信息和N个设备任务信息，其中每个任务信息可描述为五元组(x，y，b，c，t

3.根据权利要求1所述的面向隐私保护与能耗优化的任务卸载方法，其特征在于，所述步骤S2对任务信息数据作标准化处理并为属性分配不同的权重，得到待分组的任务信息数据，具体包括：标准化、归一化处理N×5设备任务信息数据，并为数据中属性分配权重，使用离差标准化方法对数据集进行标准化处理包括：其中，p

4.根据权利要求1所述的面向隐私保护与能耗优化的任务卸载方法，其特征在于，所述4)每个飞蛾依据更新公式向对应火焰飞去并更新位置，具体包括：Z

其中Z

其中，iter表示当前迭代次数，max_iter表示最大迭代次数。

5.根据权利要求1所述的面向隐私保护与能耗优化的任务卸载方法，其特征在于，所述6)计算火焰数量flame_no，具体包括：其中，D表示飞蛾数量，iter表示当前迭代次数，max_iter表示最大迭代次数，round表示四舍五入函数；

flame_no随着迭代次数增长而逐渐减少，迭代结束时仅有1个火焰；当飞蛾数量小于等于火焰数量时，第i个飞蛾追逐第i个火焰；当飞蛾数量大于火焰数量时，多出来的飞蛾追逐适应度排序最末的火焰。