CN111565420A - 一种移动区块链中智能资源分配方法 - Google Patents
一种移动区块链中智能资源分配方法 Download PDFInfo
- Publication number
- CN111565420A CN111565420A CN202010263998.XA CN202010263998A CN111565420A CN 111565420 A CN111565420 A CN 111565420A CN 202010263998 A CN202010263998 A CN 202010263998A CN 111565420 A CN111565420 A CN 111565420A
- Authority
- CN
- China
- Prior art keywords
- small base
- base station
- equipment
- task
- bandwidth
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000013468 resource allocation Methods 0.000 title claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 239000002245 particle Substances 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 230000002787 reinforcement Effects 0.000 claims abstract description 7
- 238000009412 basement excavation Methods 0.000 claims description 74
- 238000005065 mining Methods 0.000 claims description 40
- 230000009471 action Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 12
- 238000013461 design Methods 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims description 9
- 230000007774 longterm Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0896—Bandwidth or capacity management, i.e. automatically increasing or decreasing capacities
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/18—Negotiating wireless communication parameters
- H04W28/20—Negotiating bandwidth
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
- H04W28/18—Negotiating wireless communication parameters
- H04W28/22—Negotiating communication rate
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明属于工业物联网技术领域,公开了一种移动区块链中智能资源分配方法。具体地,通过区块链和移动边缘计算技术建立用于在移动设备交易过程中保护其隐私和数据安全的移动区块链框架,其包含了三个模块:移动区块链模块、任务卸载模块和决策制定模块;对系统中设备的效用进行建模,并建立小基站带宽以及算力资源联合分配模型;将上述联合分配模型分解为两个子模型,分别为带宽分配子模型和算力分配子模型;设计深度强化学习与粒子群优化结合的方法求解带宽分配子模型和算力分配子模型。本发明提出了一种保护移动设备隐私和数据安全的移动区块链框架,并为带宽和算力资源联合分配问题提供了一种新的解决方案。
Description
技术领域
本发明属于工业物联网技术领域,具体涉及一种用于在移动设备交易过程中保护其隐私 和数据安全的移动区块链系统,尤其涉及到一种移动设备在挖矿过程中小基站的带宽和算力 资源的联合分配系统。
背景技术
工业物联网和无线通信技术的快速发展使得越来越多的移动设备参与到工业物联网中, 保护移动设备在交易过程中的隐私和数据安全也变得越来越重要。然而传统的基于第三方机 构的交易方式无法保证用户的隐私以及数据安全,而且具有单点故障的缺陷。即使少量的工 作借助区块链和移动边缘计算技术解决上述问题,但是都忽略了设备的移动性以及小基站带 宽和算力联合分配问题。对于区块链系统,矿工的挖矿效用也不可忽略。因此如何设计实际 可行的移动区块链系统来保护移动设备在交易过程的隐私和数据安全并考虑设备的移动性、 挖矿效用、小基站带宽和算力的联合分配问题及其高效求解需要研究人员进一步探索。
发明内容
本发明的目的是针对现有研究的不足,结合区块链、移动边缘计算技术以及人工智能算 法,提出一种移动区块链中的智能资源分配系统。本发明根据区块链和移动边缘计算技术提 出一个在设备交易过程中保护其隐私和数据安全的移动区块链框架,其包含移动区块链模块、 任务卸载模块以及决策制定模块三个模块。设计人工智能算法与粒子群优化算法结合的方法 并构建了一种移动区块链中的智能资源分配系统,从而可以高效地解决小基站中带宽和算力 的联合分配问题并考虑设备移动性、挖矿预算、区块链吞吐量以及小基站有限的资源以最大 化所有设备长期的挖矿效用,为在工业物联网的发展中保护用户的隐私以及数据安全和人工 智能的实际应用提供了一个良好的范例。
本发明的技术方案:
一种移动区块链中智能资源分配方法,步骤如下:
1)通过区块链和移动边缘计算技术建立用于在移动设备交易过程中保护其隐私和数据 安全的移动区块链框架。该框架包含了三个模块:移动区块链模块、任务卸载模块和 决策制定模块;
2)对系统中设备的效用进行建模,并建立小基站带宽以及算力资源联合分配模型;
3)将2)中的联合分配模型分解为两个子模型,分别为带宽分配子模型和算力分配子模 型;
4)设计深度强化学习算法与粒子群优化算法结合的方法求解3)中的带宽分配和算力分 配子模型;
步骤1):
1.1)移动区块链模块设计:
移动区块链模块由移动设备组成。在该模块中,每个移动设备都配置了区块链应用并且 它们之间可以直接地进行交易而不需要第三方机构参与。每个移动设备作为区块链中的矿工 可以随时地参与挖矿从而获得成功挖矿的奖励。
1.2)任务卸载模块设计:
移动设备拥有有限的算力和能量,所以在挖矿的过程中需要将挖矿任务即工作量证明 (Proof-of-Work,PoW)卸载到其附近的小基站。小基站部署了移动边缘计算服务器并且每个 小基站需要为向其请求服务的移动设备分配有限的算力和带宽。最后每个小基站需要立即将 挖矿任务的计算结果返回给设备。
1.3)决策制定模块设计:
决策制定模块中主要包含了一个专用控制器。这个专用控制器可以与各个小基站交互并 且收集所有小基站以及其所连设备的信息,具体包括每个小基站的总算力、总带宽以及其连 接的所有设备的挖矿任务信息。最后,专用控制器会为每个小基站制定最佳的带宽和算力分 配策略并立即将分配策略发送给各个小基站。
步骤2):
2.1)抽象每个设备的效用:
我们认为小基站的信道是有限状态的马尔可夫信道,并且当在决策时期k时,当设备n向 小基站m上传挖矿任务时的信道信号噪声比为SNRn,m(k)。当设备n从小基站m下载挖矿任务 结果时的信道信号噪声比为SNRm,n(k)。
设备n向小基站m上传挖矿任务的速率为:
其中,bn,m是小基站m为设备n分配的带宽。
设备n从小基站m下载挖矿任务结果的速率为:
其中,bn是设备n的带宽。
设备n向小基站m上传挖矿任务的时间为:
其中,Dn是设备n的挖矿任务的数据大小。
设备n从小基站m下载挖矿任务结果的时间为:
其中,In是设备n的挖矿任务结果的数据大小。
设备n的挖矿任务在小基站m上的处理时间为:
其中,Yn是完成设备n的挖矿任务所需要的CPU周期数,fn,m是小基站m为设备n分配的算 力。
设备n的挖矿时间为:
设备n的挖矿成本为:
其中,∈是单位能量所对应的成本,En是设备n的发射功率,pn,m是设备n对小基站m上的移 动边缘计算服务器的单位时间租赁成本。
设备n成功求解其挖矿任务,即PoW难题的概率为:
其中,α和β分别是设备分配的算力和带宽对其求解挖矿任务重要性,M是小基站的数量, Nm是将挖矿任务卸载到小基站m的移动设备的数量,fj,i(k)和bj,i(k)分别是在决策时期k时 小基站i为设备j分配的算力和带宽。
我们假设区块链中成功挖矿服从均值为t0的泊松分布,则设备n挖出的块由于广播时间过 长而成为孤儿块的概率为:
设备n成功挖矿的概率为:
Hn,m(k)=δn,m(k)(1-θn,m)
设备n的挖矿奖励为:
设备n挖矿的效用为:
Un,m(k)=Rn,m(k)-Cn,m(k)
2.2)建立小基站带宽以及算力资源联合分配模型。
为了最大化所有移动设备长期的挖矿效用,小基站带宽以及算力资源联合分配模型如下:
C5保证每个设备的挖矿任务都是由一个小基站完成,即在挖矿的过程中不存在小基站的 切换,其中dn,m是设备n距小基站m的距离,vn是设备n的移动速度,ρn,m是设备n的移动方 向与设备到小基站的向量之间的夹角,ω是小基站的通信范围半径。
步骤3):
分解得到带宽分配子模型:
s.t.P中C2约束.
分解得到算力分配子模型:
s.t.P中C1,C3,C4,C5约束.
步骤4):
Step1:将P1进一步分解为多个子问题,每个小基站分别需要求解一个子问题,对于小基 站m其需要解决的子问题为:
Step2:专用控制器收集系统状态Sk并输入到深度确定性策略梯度方法中的演员(actor) 网络来获得该状态所对应的动作Ak。其中,系统状态Sk包含了每个小基站的状态即 M是小基站的数量。每个小基站的状态定义如下:
其中Tn=(Dn,Yn,Gn,In)是设备n卸载的挖矿任务,Dn是挖矿任务的数据大小,Yn是完成设备n 的挖矿任务所需要的CPU周期数,Gn是设备n用于挖矿任务的预算,In是挖矿任务计算结果 的数据大小,dn,m是设备n到小基站m的距离,ρn,m是设备n的移动方向与设备n到小基站m 向量之间的夹角,vn是设备n的移动速度,SNRn,m和SNRm,n分别是设备n上传挖矿任务和下 载挖矿任务结果时信道的信号噪声比,和分别是小基站m的总算力和总带宽,Nm是将 挖矿任务卸载到小基站m的移动设备的数量。
输出的动作Ak包含了每个小基站的算力分配决策am,即Ak={am|m=1,...,M}。每个小基 站的算力分配决策am定义如下:
am={fn,m|n=1,...,Nm,fn,m∈[fmin,fmax]}
其中,fn,m是小基站m为设备n分配的算力,fmin和fmax分别是小基站为设备分配的算力的下 界和上界。
Step3:产生0-1之间的随机数如果大于等于贪婪策略中的参数∈,则输出动作Ak; 否则如果随机探索中采用粒子群优化的概率ζ小于等于∈,则使用粒子群优化产生的改进动 作替换动作Ak;否则使用随机动作替换动作Ak。
Step4:执行动作Ak,获得奖励Rk以及系统下一状态Sk+1,并将四元组(Sk,Ak,Rk,Sk+1)保 存在深度确定性策略梯度算法中的经验回放缓存中。其中,奖励Rk定义如下:
其中,λ是一个常数参数。
Step5:定期地从经验回放缓存中选择小批次样本训练深度确定性策略梯度网络,并更新 其演员在线网络(actor online net)和评论家在线网络(critic online net)的参数。
Step6:定期地使用‘软’更新策略来更新演员目标网络(actor target net)和评论家 目标网络(critic target net)的参数。
Step7:在每次迭代中重复执行K次Step1-Step6,直到算法达到最大的迭代次数,输出 每个设备分配的算力和带宽资源。
通过以上步骤,实现了对本发明所提出的移动区块链中小基站的带宽和算力资源的联合 分配以最大化所有设备的长期挖矿效用。
本发明的效果和益处是:本发明根据区块链和移动边缘计算技术提出一个在设备交易过 程中保护其隐私和数据安全的移动区块链框架,其包含移动区块链模块、任务卸载模块以及 决策制定模块这三个模块。设计深度强化学习算法与粒子群优化算法结合的方法并构建了一 种移动区块链中的智能资源分配系统,可以高效地解决小基站中带宽和算力资源的联合分配 问题并考虑设备移动性、挖矿预算、区块链吞吐量以及小基站有限的资源以最大化所有设备 长期的挖矿效用,为在工业物联网的发展中保护用户的隐私以及数据安全和人工智能的实际 应用提供了一个良好的范例
附图说明
图1为引入区块链和移动边缘计算技术的移动区块链框架。
图2为设计的深度强化学习和粒子群优化算法结合的方法的收敛性。
图3为对于不同的移动设备数量,不同的解决方案获得的所有设备总效用的对比。
图4为对于不同的小基站总带宽,不同的解决方案获得的所有设备总效用的对比。
图5为对于不同的小基站总算力,不同的解决方案获得的所有设备总效用的对比。
图6为对于不同的在计算设备成功求解其挖矿任务概率时的算力重要性,不同的解决方 案获得的所有设备总效用的对比。
图7为对于不同的在本发明设计方法的随机探索中采用粒子群优化的概率,不同的解决 方案获得的所有设备总效用的对比。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面对本发明的具体实施方式作进一 步的详细描述。
本发明提供一种移动区块链中智能资源分配方法,该方法包括以下步骤:
步骤1):通过区块链和移动边缘计算技术建立用于在移动设备交易过程中保护其隐私和 数据安全的移动区块链框架如图1所示。该框架包含了三个模块:移动区块链模块、任务卸 载模块和决策制定模块。
1.1)移动区块链模块设计:
移动区块链模块由移动设备组成。在该模块中,每个移动设备都配置了区块链应用并且 它们之间可以直接地进行交易而不需要第三方机构参与。每个移动设备作为区块链中的矿工 可以随时地参与挖矿从而获得成功挖矿的奖励。
1.2)任务卸载模块设计:
移动设备拥有有限的算力和能量,所以在挖矿的过程中需要将挖矿任务即工作量证明 (Proof-of-Work,PoW)卸载到其附近的小基站。小基站部署了移动边缘计算服务器并且每 个小基站需要为向其请求服务的移动设备分配有限的算力和带宽。最后每个小基站需要立即 将挖矿任务的计算结果返回给设备。
1.3)决策制定模块设计:
决策制定模块中主要包含了一个专用控制器。这个专用控制器可以与各个小基站交互并 且收集所有小基站以及其所连设备的信息,具体包括每个小基站的总算力、总带宽以及其连 接的所有设备的挖矿任务信息。最后,专用控制器会为每个小基站制定最佳的带宽和算力分 配策略并立即将分配策略发送给各个小基站。
步骤2):对系统中设备的效用进行建模,并建立小基站带宽以及算力资源联合分配模型。
2.1)抽象每个设备的效用:
我们认为小基站的信道是有限状态的马尔可夫信道,并且当在决策时期k时,当设备n向 小基站m上传挖矿任务时的信道信号噪声比为SNRn,m(k)。当设备n从小基站m下载挖矿任务 结果时的信道信号噪声比为SNRm,n(k)。
设备n向小基站m上传挖矿任务的速率为:
其中,bn,m是小基站m为设备n分配的带宽。
设备n从小基站m下载挖矿任务结果的速率为:
其中,bn是设备n的带宽。
设备n向小基站m上传挖矿任务的时间为:
其中,Dn是设备n的挖矿任务的数据大小。
设备n从小基站m下载挖矿任务结果的时间为:
其中,In是设备n的挖矿任务结果的数据大小。
设备n的挖矿任务在小基站m上的处理时间为:
其中,Yn是完成设备n的挖矿任务所需要的CPU周期数,fn,m是小基站m为设备n分配的算 力。
设备n的挖矿时间为:
设备n的挖矿成本为:
其中,∈是单位能量所对应的成本,En是设备n的发射功率,pn,m是设备n对小基站m上的移 动边缘计算服务器的单位时间租赁成本。
设备n成功求解其挖矿任务,即PoW难题的概率为:
其中,α和β分别是设备分配的算力和带宽对其求解挖矿任务重要性,M是小基站的数量, Nm是将挖矿任务卸载到小基站m的移动设备的数量,fj,i(k)和bj,i(k)分别是在决策时期k时 小基站i为设备j分配的算力和带宽。
我们假设区块链中成功挖矿服从均值为t0的泊松分布,则设备n挖出的块由于广播时间过 长而成为孤儿块的概率为:
设备n成功挖矿的概率为:
Hn,m(k)=δn,m(k)(1-θn,m)
设备n的挖矿奖励为:
设备n挖矿的效用为:
Un,m(k)=Rn,m(k)-Cn,m(k)
2.2)建立小基站带宽以及算力资源联合分配模型。
为了最大化所有移动设备长期的挖矿效用,小基站带宽以及算力资源联合分配模型如下:
C5保证每个设备的挖矿任务都是由一个小基站完成,即在挖矿的过程中不存在小基站的 切换,其中dn,m是设备n距小基站m的距离,vn是设备n的移动速度,ρn,m是设备n的移动方 向与设备到小基站的向量之间的夹角,ω是小基站的通信范围半径。
步骤3):将步骤2)中的联合分配模型分解为两个子模型,分别为带宽分配子模型和算 力分配子模型。
分解得到带宽分配子模型:
s.t.P中C2约束.
分解得到算力分配子模型:
s.t.P中C1,C3,C4,C5约束.
步骤4):设计深度强化学习和粒子群优化算法结合的方法求解步骤3)中的带宽分配和 算力分配子模型。
Step1:将P1进一步分解为多个子问题,每个小基站分别需要求解一个子问题,对于小基 站m其需要解决的子问题为:
Step2:专用控制器收集系统状态Sk并输入到深度确定性策略梯度方法中的演员(actor) 网络来获得该状态所对应的动作Ak。其中,系统状态Sk包含了每个小基站的状态即 M是小基站的数量。每个小基站的状态定义如下:
其中Tn=(Dn,Yn,Gn,In)是设备n卸载的挖矿任务,Dn是挖矿任务的数据大小,Yn是完成设备n 的挖矿任务所需要的CPU周期数,Gn是设备n用于挖矿任务的预算,In是挖矿任务计算结果 的数据大小,dn,m是设备n到小基站m的距离,ρn,m是设备n的移动方向与设备n到小基站m 的向量之间的夹角,vn是设备n的移动速度,SNRn,m和SNRm,n分别是设备n上传挖矿任务和 下载挖矿任务结果时信道的信号噪声比,和分别是小基站m的总算力和总带宽,Nm是 将挖矿任务卸载到小基站m的移动设备的数量。
输出的动作Ak包含了每个小基站的算力分配决策am,即Ak={am|m=1,...,M}。每个小基 站的算力分配决策am定义如下:
am={fn,m|n=1,...,Nm,fn,m∈[fmin,fmax]}
其中,fn,m是小基站m为设备n分配的算力,fmin和fmax分别是小基站为设备分配的算力的下 界和上界。
Step3:产生0-1之间的随机数如果大于等于贪婪策略中的参数∈,则输出动作Ak; 否则如果随机探索中采用粒子群优化的概率ζ小于等于∈,则使用粒子群优化产生的改进动 作替换动作Ak;否则使用随机动作替换动作Ak。
Step4:执行动作Ak,获得奖励Rk以及系统下一状态Sk+1,并将四元组(Sk,Ak,Rk,Sk+1)保 存在深度确定性策略梯度算法中的经验回放缓存中。其中,奖励Rk定义如下:
其中,λ是一个常数参数。
Step5:定期地从经验回放缓存中选择小批次样本训练深度确定性策略梯度网络,并更新 其演员在线网络(actor online net)和评论家在线网络(critic online net)的参数。
Step6:定期地使用‘软’更新策略来更新演员目标网络(actor target net)和评论家 目标网络(critic target net)的参数。
Step7:在每次迭代中重复执行K次Step1-Step6,直到算法达到最大的迭代次数,输出 每个设备分配的算力和带宽资源。
通过以上步骤,实现了对本发明所提出的移动区块链中小基站的带宽和算力资源的联合 分配以最大化所有设备的长期挖矿效用。
图2为本发明设计的深度强化学习和粒子群优化算法结合的方法的收敛性,从图2中可 以看出本发明设计的方法能够以可接受的速度达到收敛,当训练次数达到6000次左右,算法 可以收敛。
图3为对于不同的设备数量,不同的解决方案所获得的所有设备的总效用。从图3中可 以明显看出,无论移动设备数量如何变化,本发明设计的方法都会产生比其他方法更大的设 备效用总和。
图4为对于不同的小基站总带宽,不同的解决方案所获得的所有设备的总效用。从图4 中可以看出,无论小基站的总带宽如何变化,本发明设计的方法都会产生比其他方法更大的 设备效用总和。
图5为对于不同的小基站总算力,不同的解决方案所获得的所有设备的总效用。从图5 中可以明显的看出,无论小基站的总算力如何变化,本发明设计的方法都会产生比其他方法 更大的设备效用总和。
图6为对于不同的在计算设备成功求解其挖矿任务概率时的算力重要性即α,不同的解 决方案所获得的所有设备的总效用。从图6中可以看出,无论算力重要性如何变化,本发明 设计的方法都会产生比其他方法更大的设备效用总和,并且当算力重要性变大时,所有方法 获得的设备总效用都在减少,为了最大化所有设备总效用,我们将算力重要性取值0.1,即 α=0.1。
图7为对于不同的在本发明设计方法的随机探索中采用粒子群优化的概率即ζ,不同的 解决方案所获得的所有设备的总效用。从图7中可以明显的看出,当随机探索中采用粒子群 优化的概率小于0.12时,本发明设计的方法所获得的总效用随着概率的增加而增加。当随机 探索中采用粒子群优化的概率大于0.12时,本发明设计的方法所获得的总效用随着概率的增 加而减少。为了最大化所有设备的总效用,我们将本发明设计方法的随机探索中采用粒子群 优化的概率取值0.12,即ζ=0.12。
以上的所述乃是本发明的具体实施以及所运用的技术原理,若依本发明的构想所作的改 变,其所产生的功能作用仍未超出说明书及附图所涵盖的精神时,仍应属本发明的保护范围。
Claims (1)
1.一种移动区块链中智能资源分配方法,其特征在于,步骤如下:
步骤1):通过区块链和移动边缘计算技术建立用于在移动设备交易过程中保护其隐私和数据安全的移动区块链框架;该框架包含三个模块:移动区块链模块、任务卸载模块和决策制定模块;
1.1)移动区块链模块设计
移动区块链模块由移动设备组成;在移动区块链模块中,每个移动设备都配置区块链应用并且它们之间直接地进行交易不需要第三方机构参与;每个移动设备作为区块链中的矿工,随时地参与挖矿从而获得成功挖矿的奖励;
1.2)任务卸载模块设计
在挖矿过程中将挖矿任务即工作量证明卸载到其附近的小基站;小基站部署移动边缘计算服务器,并且每个小基站需要为向其请求服务的移动设备分配有限的算力和带宽;最后每个小基站需要立即将挖矿任务的计算结果返回给设备;
1.3)决策制定模块设计
决策制定模块中包含一个控制器;该控制器与各个小基站交互并且收集所有小基站以及其所连设备的信息,具体包括每个小基站的总算力、总带宽以及其连接的所有设备的挖矿任务信息;最后,控制器为每个小基站制定最佳的带宽和算力分配策略并立即将分配策略发送给各个小基站;
步骤2):对系统中设备的效用进行建模,并建立小基站带宽以及算力资源联合分配模型;
2.1)抽象设备的效用
小基站的信道是有限状态的马尔可夫信道,并且当在决策时期k时,当设备n向小基站m上传挖矿任务时的信道信号噪声比为SNRn,m(k);当设备n从小基站m下载挖矿任务结果时的信道信号噪声比为SNRm,n(k);
设备n向小基站m上传挖矿任务的速率为:
其中,bn,m是小基站m为设备n分配的带宽;
设备n从小基站m下载挖矿任务结果的速率为:
其中,bn是设备n的带宽;
设备n向小基站m上传挖矿任务的时间为:
其中,Dn是设备n的挖矿任务的数据大小;
设备n从小基站m下载挖矿任务结果的时间为:
其中,In是设备n的挖矿任务结果的数据大小;
设备n的挖矿任务在小基站m上的处理时间为:
其中,Yn是完成设备n的挖矿任务所需要的CPU周期数,fn,m是小基站m为设备n分配的算力;
设备n的挖矿时间为:
设备n的挖矿成本为:
其中,∈是单位能量所对应的成本,En是设备n的发射功率,pn,m是设备n对小基站m上的移动边缘计算服务器的单位时间租赁成本;
设备n成功求解其挖矿任务,即PoW难题的概率为:
其中,α和β分别是设备分配的算力和带宽对其求解挖矿任务重要性,M是小基站的数量,Nm是将挖矿任务卸载到小基站m的移动设备的数量,fj,i(k)和bj,i(k)分别是在决策时期k时小基站i为设备j分配的算力和带宽;
假设区块链中成功挖矿服从均值为t0的泊松分布,则设备n挖出的块由于广播时间过长而成为孤儿块的概率为:
设备n成功挖矿的概率为:
Hn,m(k)=δn,m(k)(1-θn,m)
设备n的挖矿奖励为:
设备n挖矿的效用为:
Un,m(k)=Rn,m(k)-Cn,m(k)
2.2)建立小基站带宽以及算力资源联合分配模型
为了最大化所有移动设备长期的挖矿效用,小基站带宽以及算力资源联合分配模型如下:
C5保证每个设备的挖矿任务都是由一个小基站完成,即在挖矿的过程中不存在小基站的切换,其中dn,m是设备n距小基站m的距离,vn是设备n的移动速度,ρn,m是设备n的移动方向与设备到小基站的向量之间的夹角,ω是小基站的通信范围半径;
步骤3):将步骤2)中的联合分配模型分解为两个子模型,分别为带宽分配子模型和算力分配子模型;
分解得到带宽分配子模型:
s.t.P中C2约束.
分解得到算力分配子模型:
s.t.P中C1,C3,C4,C5约束.
步骤4):设计深度强化学习与粒子群优化结合方法求解步骤3)中P1和P2子模型;
Step1:将P1进一步分解为多个子问题,每个小基站分别需要求解一个子问题,对于小基站m其需要解决的子问题为:
其中,Tn=(Dn,Yn,Gn,In)是设备n卸载的挖矿任务,Dn是挖矿任务的数据大小,Yn是完成设备n的挖矿任务所需要的CPU周期数,Gn是设备n用于挖矿的预算,In是挖矿任务计算结果的数据大小,dn,m是设备n到小基站m的距离,ρn,m是设备n的移动方向与设备n到小基站m的向量之间的夹角,vn是设备n的移动速度,SNRn,m和SNRm,n分别是设备n上传挖矿任务和下载挖矿任务结果时信道的信号噪声比,和分别是小基站m的总算力和总带宽,Nm是将挖矿任务卸载到小基站m的移动设备的数量;
输出的动作Ak包含每个小基站的算力分配决策am,即Ak={am|m=1,...,M};每个小基站的算力分配决策am定义如下:
am={fn,m|n=1,...,Nm,fn,m∈[fmin,fmax]}
其中,fn,m是小基站m为设备n分配的算力,fmin和fmax分别是小基站为设备分配的算力的下界和上界;
Step3:产生0-1之间的随机数θ,如果θ大于等于贪婪策略中的参数∈,则输出动作Ak;否则如果随机探索中采用粒子群优化的概率ζ小于等于∈,则使用粒子群优化产生的改进动作替换动作Ak;否则使用随机动作替换动作Ak;
Step4:执行动作Ak,获得奖励Rk以及系统下一状态Sk+1,并将四元组(Sk,Ak,Rk,Sk+1)保存在深度确定性策略梯度算法中的经验回放缓存中;其中,奖励Rk定义如下:
其中,λ是一个常数参数;
Step5:定期地从经验回放缓存中选择小批次样本训练深度确定性策略梯度网络,并更新其演员在线网络和评论家在线网络的参数;
Step6:定期地使用‘软’更新策略来更新演员目标网络和评论家目标网络的参数;
Step7:在每次迭代中重复执行K次Step1-Step6,直到算法达到最大的迭代次数,输出每个设备分配的算力和带宽资源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010263998.XA CN111565420A (zh) | 2020-04-07 | 2020-04-07 | 一种移动区块链中智能资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010263998.XA CN111565420A (zh) | 2020-04-07 | 2020-04-07 | 一种移动区块链中智能资源分配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111565420A true CN111565420A (zh) | 2020-08-21 |
Family
ID=72074144
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010263998.XA Pending CN111565420A (zh) | 2020-04-07 | 2020-04-07 | 一种移动区块链中智能资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111565420A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112261674A (zh) * | 2020-09-30 | 2021-01-22 | 北京邮电大学 | 一种基于移动边缘计算及区块链协同赋能的物联网场景的性能优化方法 |
CN112422644A (zh) * | 2020-11-02 | 2021-02-26 | 北京邮电大学 | 计算任务卸载方法及系统、电子设备和存储介质 |
CN112492652A (zh) * | 2020-11-23 | 2021-03-12 | 中国联合网络通信集团有限公司 | 一种边缘设备算力服务调配的方法、装置及系统 |
CN112995950A (zh) * | 2021-02-07 | 2021-06-18 | 华南理工大学 | 一种车联网中基于深度强化学习的资源联合分配方法 |
CN113609533A (zh) * | 2021-08-23 | 2021-11-05 | 东北大学秦皇岛分校 | 一种面向智能电网数据的完整性审计方法 |
US11750530B2 (en) | 2020-11-05 | 2023-09-05 | Sony Group Corporation | Network node, a wireless device, a resource allocation server and methods for resource allocation |
-
2020
- 2020-04-07 CN CN202010263998.XA patent/CN111565420A/zh active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112261674A (zh) * | 2020-09-30 | 2021-01-22 | 北京邮电大学 | 一种基于移动边缘计算及区块链协同赋能的物联网场景的性能优化方法 |
CN112422644A (zh) * | 2020-11-02 | 2021-02-26 | 北京邮电大学 | 计算任务卸载方法及系统、电子设备和存储介质 |
CN112422644B (zh) * | 2020-11-02 | 2021-08-31 | 北京邮电大学 | 计算任务卸载方法及系统、电子设备和存储介质 |
US11750530B2 (en) | 2020-11-05 | 2023-09-05 | Sony Group Corporation | Network node, a wireless device, a resource allocation server and methods for resource allocation |
CN112492652A (zh) * | 2020-11-23 | 2021-03-12 | 中国联合网络通信集团有限公司 | 一种边缘设备算力服务调配的方法、装置及系统 |
CN112492652B (zh) * | 2020-11-23 | 2023-07-28 | 中国联合网络通信集团有限公司 | 一种边缘设备算力服务调配的方法、装置及系统 |
CN112995950A (zh) * | 2021-02-07 | 2021-06-18 | 华南理工大学 | 一种车联网中基于深度强化学习的资源联合分配方法 |
CN112995950B (zh) * | 2021-02-07 | 2022-03-29 | 华南理工大学 | 一种车联网中基于深度强化学习的资源联合分配方法 |
CN113609533A (zh) * | 2021-08-23 | 2021-11-05 | 东北大学秦皇岛分校 | 一种面向智能电网数据的完整性审计方法 |
CN113609533B (zh) * | 2021-08-23 | 2024-02-27 | 东北大学秦皇岛分校 | 一种面向智能电网数据的完整性审计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111565420A (zh) | 一种移动区块链中智能资源分配方法 | |
CN112351503B (zh) | 基于任务预测的多无人机辅助边缘计算资源分配方法 | |
She et al. | Deep learning for ultra-reliable and low-latency communications in 6G networks | |
Seid et al. | Collaborative computation offloading and resource allocation in multi-UAV-assisted IoT networks: A deep reinforcement learning approach | |
Feng et al. | Collaborative data caching and computation offloading for multi-service mobile edge computing | |
Zhao et al. | A mobility-aware cross-edge computation offloading framework for partitionable applications | |
CN111445111B (zh) | 一种基于边缘协同的电力物联网任务分配方法 | |
Zhang et al. | Joint parallel offloading and load balancing for cooperative-MEC systems with delay constraints | |
Almutairi et al. | Delay-optimal task offloading for UAV-enabled edge-cloud computing systems | |
CN113905347B (zh) | 一种空地一体化电力物联网云边端协同方法 | |
CN111629380A (zh) | 面向高并发多业务工业5g网络的动态资源分配方法 | |
Zheng et al. | MEC-enabled wireless VR video service: A learning-based mixed strategy for energy-latency tradeoff | |
CN114650228B (zh) | 一种异构网络中基于计算卸载的联邦学习调度方法 | |
Zhang et al. | Theoretical analysis on edge computation offloading policies for IoT devices | |
CN113573363B (zh) | 基于深度强化学习的mec计算卸载与资源分配方法 | |
Lakew et al. | Adaptive partial offloading and resource harmonization in wireless edge computing-assisted IoE networks | |
CN117614520B (zh) | 基于无人机-卫星协作的去蜂窝大规模mimo资源优化方法 | |
Albaseer et al. | Semi-supervised federated learning over heterogeneous wireless iot edge networks: Framework and algorithms | |
Yan et al. | A task offloading algorithm with cloud edge jointly load balance optimization based on deep reinforcement learning for unmanned surface vehicles | |
Liu et al. | Joint stochastic computational resource and UAV trajectory for wireless-powered space-air-ground IoRT networks | |
Zhou et al. | Blockchain-based trustworthy service caching and task offloading for intelligent edge computing | |
Zhang et al. | Graph-based traffic forecasting via communication-efficient federated learning | |
Wang et al. | Optimal energy efficiency for multi-mec and blockchain empowered iot: a deep learning approach | |
Qin et al. | Deep reinforcement learning-based energy minimization task offloading and resource allocation for air ground integrated heterogeneous networks | |
Wang et al. | A resource allocation strategy for edge services based on intelligent prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200821 |
|
RJ01 | Rejection of invention patent application after publication |