车辆网络，也称为车联网（Internet of Vehicles, IoV），利用蜂窝车对一切（cellular vehicle-to-everything）技术、边缘计算（edge computing）和移动通信（mobile communication）构建了一个分布式网络，实现了车辆、基础设施和行人之间的实时数据交换和决策制定[1,2]。然而，随着车载传感器数量的激增，它们支持的任务类型也变得更加多样化[3]。例如，在自动驾驶中，计算密集型任务（如3D点云语义分割）每秒需要数万亿次浮点运算[4]，而对延迟敏感的任务（如碰撞预警）则需要毫秒级的延迟能力，这对本地车辆提出了严峻挑战。
任务卸载提供了一种解决方案，即将车辆难以完成的任务卸载到计算和存储能力更强的移动边缘计算（Mobile Edge Computing, MEC）服务器或云服务器[5]。与将任务卸载到云相比，将任务卸载到车辆网络中的MEC服务器更为可行[6]。因为MEC服务器不仅拥有远超车辆的计算能力，还能避免将数据传输到云所带来的长延迟。
目前，有许多研究专注于车辆-边缘计算协作背景下的任务卸载。例如，有一种VCEC任务卸载方案[7]，它将任务卸载到其他空闲车辆[8]；另一种方案利用附近的自动驾驶车辆和RSU（Radar Signal Unit）协作处理任务[9]，为不同类型任务提供了灵活的卸载选项，包括本地计算、车辆对车辆计算（vehicle-to-vehicle computing）、移动边缘计算（mobile edge computing）和移动云计算（mobile cloud computing）。然而，尽管这些方法有助于弥补车辆的计算不足，但它们采用的是垂直协作模型，仅考虑了车辆与邻近MEC之间的协作，未能有效整合整个广域内的所有MEC服务器的计算资源。总体而言，现有研究的局限性体现在以下几个方面：
首先，现有研究没有考虑由于车辆分布不均导致的MEC服务器负载不均衡问题。 车辆网络中的车辆分布极其不均匀[6]。在主要交通干道上，车辆密集分布，任务请求激增，导致这些热点区域的MEC服务器过载。而在交通稀少的区域，MEC服务器资源利用率很低。此外，大量车辆的持续移动进一步加剧了这种动态分布，而大多数现有研究假设网络拓扑是静态的，这无法有效适应动态变化，导致资源浪费。
其次，大多数研究采用车辆-MEC协作模型，但缺乏对其协作和处理可靠性的评估。车辆与MEC服务器之间的交互非常频繁，涉及信号传输、数据交换和计算协作等多个环节。如果请求节点中有恶意节点，它们会抢占并消耗资源，导致任务积压和高执行失败率[10]。另一方面，如果任务被卸载到恶意服务器，会威胁数据隐私和安全性。此外，确保车辆与MEC服务器的协作效率、避免利益冲突和资源抢占也非常重要[10,11]。然而，现有研究往往关注能耗或延迟优化，忽视了协作和处理节点的可靠性，这在应用中存在安全风险。
为了解决这些问题，一些研究将信任机制与博弈论相结合，以确保任务卸载的安全性和效率[2,11]。其中，博弈论有效地描述了车辆与MEC服务器之间的资源竞争和计算协作。信任机制可以通过分析它们的历史行为和固有属性来有效评估车辆和MEC服务器的可靠性，并且实现成本低、更新简单。尽管一些研究在任务卸载中引入了信任机制，但它们使用的是被动式的直接信任评估模型，在交互稀少的场景下难以快速启动，并且容易受到恶意攻击，导致评估结果不准确[2,11]。
基于上述缺陷，我们提出了一种基于斯塔克伯格博弈（Stackelberg Game）的可信车辆-MEC和MEC-MEC协作任务卸载方案，称为GTOTC。与现有方法相比，我们的贡献如下：
●我们提出了一个信任模型来筛选恶意车辆和MEC服务器。首先，它从多个方面获取信任证据，如历史任务的成功率和协作节点提供的反馈。然后，结合时间衰减特性以及可信、不可信和摇摆行为的差异效应来计算信任度。与现有信任机制相比，我们的信任模型成本更高、更准确，并能有效抵抗善意/恶意攻击、共谋攻击和突然关闭攻击。
●我们提出了一种基于斯塔克伯格博弈的可信MEC-MEC协作任务卸载方案。首先，作为领导者的车辆根据任务延迟和资源需求做出初始卸载决策。然后，作为追随者的MEC服务器可以根据自身的负载将任务进一步转发给冷点区域的其他空闲服务器。在博弈过程中，所有车辆和MEC服务器都可以做出动态决策，并在过载时自动触发任务转发，从而实现跨区域MEC服务器的计算协作和资源共享，进而实现负载均衡。
●我们设计了一种分布式算法来获得博弈的纳什均衡。在真实世界数据集上的实验表明，与五种基准方法相比，GTOTC方法能够识别出90%以上的恶意攻击者。在任务卸载成本方面，它将延迟降低了6.02%-16.67%，同时将任务完成率提高了2.57%-16.9%。
