CN112272390B

CN112272390B - 基于物理层的任务卸载及带宽分配的处理方法和系统

Info

Publication number: CN112272390B
Application number: CN202011125155.XA
Authority: CN
Inventors: 夏隽娟; 范立生; 赵睿; 刘外喜; 綦科; 谭伟强
Original assignee: Guangzhou University
Current assignee: Guangzhou University
Priority date: 2020-10-20
Filing date: 2020-10-20
Publication date: 2023-06-20
Anticipated expiration: 2040-10-20
Also published as: CN112272390A

Abstract

本发明公开了一种基于物理层的任务卸载及带宽分配的处理方法和系统，方法包括以下步骤：计算任务总时延和任务总能耗；根据任务总时延和任务总能耗构建目标函数；获取任务卸载方式以及用户端与边缘计算接入点通信时的带宽；根据目标函数、任务卸载方式以及用户端与边缘计算接入点通信时的带宽生成优化函数；采用深度强化算法优化所述优化函数中的任务卸载方式和用户端与边缘计算接入点通信时的带宽，生成任务卸载比例和带宽分配比例；根据任务卸载比例和带宽分配比例处理当前任务量。本发明通过在进行任务卸载时，同时考虑任务和带宽分配问题，以提高MEC网络传输速率和任务卸载的安全性。本发明可广泛应用于移动边缘计算技术领域。

Description

基于物理层的任务卸载及带宽分配的处理方法和系统

技术领域

本发明涉及移动边缘计算技术领域，尤其是一种基于物理层的任务卸载及带宽分配的处理方法和系统。

背景技术

云计算方案是利用云端服务器强大的计算能力弥补本地设备的算力不足，在一定程度上降低了任务总时延，但是计算任务卸载到云端服务器的传输过程产生的能耗和时延不可忽视，同时由于计算任务被发送到远距离的云端服务器，移动用户的信息也很容易遭到窃听。

移动边缘计算(MEC)是云计算技术的延伸，在移动网络的边缘建立可接入计算接入点(CAP)，就近为移动设备提供互联网服务环境、计算资源和存储资源等智能服务，由于靠近移动用户，可以同时减少任务总能耗和时延，提高用户体验，同时满足移动网络对于敏捷连接、实时业务、数据优化、应用智能、隐私保护等多个方面的需求。

尽管MEC技术是在更靠近移动用户的网络边缘提供服务，一定程度上增强了传输的可靠性，但是由于无线通信的广播特性，其传输安全很容易受到窃听者的威胁。例如具有多种工作模式的智能攻击者，它可以通过在窃听、干扰、欺骗和保持静默四种工作模式之间自由切换，旨在降低通信系统的传输速率。如果网络继续采用常规策略，来自智能攻击者的攻击则不会被抑制。在实际情况中，攻击者在无线网络中的位置可能是动态变化的，这使得窃听链路的信道参数发生变化，因而，现有的功率控制算法就不再适用。

发明内容

为解决上述技术问题，本发明的目的在于：提供一种基于物理层的任务卸载及带宽分配的处理方法和系统，其能提高MEC网络传输速率和任务卸载的安全性。

本发明实施例的第一方面提供了：

一种基于物理层的任务卸载及带宽分配的处理方法，包括以下步骤：

计算任务总时延和任务总能耗；

根据所述任务总时延和所述任务总能耗构建目标函数；

获取任务卸载方式以及用户端与边缘计算接入点通信时的带宽；

根据所述目标函数、所述任务卸载方式以及所述用户端与边缘计算接入点通信时的带宽生成优化函数；

采用深度强化算法优化所述优化函数中的任务卸载方式和所述用户端与边缘计算接入点通信时的带宽，生成任务卸载比例和带宽分配比例；

根据所述任务卸载比例和带宽分配比例处理当前任务量。

进一步地，在进行当前任务卸载之前，还包括以下步骤：

获取保密容量阈值；

在当前任务量小于所述保密容量阈值时，确定所述当前任务量在用户端计算。

进一步地，所述采用深度强化算法优化所述优化函数中的任务卸载方式和所述用户端与边缘计算接入点通信时的带宽，生成任务卸载比例和带宽分配比例，包括：

采用两个特征提取神经网络提取所述优化函数中的任务卸载方式和所述带宽对应的特征；

采用全连接网络拟合特征提取神经网络提取到的特征，输出任务卸载比例和带宽分配比例。

进一步地，采用贪婪的选择策略输出任务卸载比例和带宽分配比例。

进一步地，所述根据所述任务总时延和所述任务总能耗构建目标函数，包括；

获取权重因子；

根据所述权重因子、所述任务总时延和所述任务总能耗构建目标函数。

进一步地，所述计算任务总时延，包括：

计算用户端计算任务的第一时间、用户端卸载任务到边缘计算接入点的第二时间以及边缘计算接入点计算任务的第三时间；

根据所述第一时间、第二时间和第三时间计算任务总时延。

进一步地，所述计算任务总能耗，包括：

计算用户端计算任务的第一能耗和用户端卸载任务到边缘计算接入点的第二能耗；

根据所述第一能耗和所述第二能耗计算任务总能耗。

进一步地，在所述输出任务卸载比例和带宽分配比例这一步骤之前，还包括以下步骤：

定义损失函数；

通过所述损失函数判断是否输出任务卸载比例和带宽分配比例。

本发明实施例的第二方面提供了：

一种基于物理层的任务卸载及带宽分配的处理系统，包括：

计算模块，用于计算任务总时延和任务总能耗；

构建模块，用于根据所述任务总时延和所述任务总能耗构建目标函数；

获取模块，用于获取任务卸载方式以及用户端与边缘计算接入点通信时的带宽；

生成模块，用于根据所述目标函数、所述任务卸载方式以及所述用户端与边缘计算接入点通信时的带宽生成优化函数；采用深度强化算法优化所述优化函数中的任务卸载方式和所述用户端与边缘计算接入点通信时的带宽，生成任务卸载比例和带宽分配比例；

处理模块，用于根据所述任务卸载比例和带宽分配比例处理当前任务量。

本发明实施例的第三方面提供了：

一种基于物理层的任务卸载及带宽分配的处理系统，包括：

至少一个存储器，用于存储程序；

至少一个处理器，用于加载所述程序以执行上述的基于物理层的任务卸载及带宽分配的处理方法。

本发明的有益效果是：本发明通过计算得到的任务总时延和任务总能耗构建目标函数，接着获取任务卸载方式以及用户端与边缘计算接入点通信时的带宽，并根据目标函数、任务卸载方式以及用户端与边缘计算接入点通信时的带宽生成优化函数，然后采用深度强化算法优化所述优化函数中的任务卸载方式和用户端与边缘计算接入点通信时的带宽，生成任务卸载比例和带宽分配比例，最后根据任务卸载比例和带宽分配比例处理当前任务量，本发明通过在进行任务卸载时，同时考虑任务和带宽分配问题，以提高MEC网络传输速率和任务卸载的安全性。

附图说明

图1为本发明一种具体实施例的基于物理层的任务卸载及带宽分配的处理方法的流程图；

图2为一种具体实施例的DQN算法中的升级网络的结构示意图；

图3为一种具体实施例的在Python仿真环境下以及训练次数相同的情况下，基于DQN算法策略与其他分配策略的对比图；

图4为一种具体实施例的在Python仿真环境下及不同带宽的情况下，三种卸载方案下的系统总代价的变化情况示意图；

图5为一种具体实施例的在Python仿真环境下、用户数量不同以及其他参数相同的情况下，基于DQN算法卸载策略与全部、不卸载策略进行比较的系统总代价的变化情况示意图；

图6为一种具体实施例的在Python仿真环境下、CAP计算能力不同及其他参数相同的情况下，基于DQN算法卸载策略与全部、不卸载策略进行比较的系统总代价的变化情况示意图；

图7为一种具体实施例的在Python仿真环境下、权重因子不同及其他参数相同的情况下，基于DQN算法卸载策略与全部、不卸载策略进行比较的系统总代价的变化情况示意图；

图8为一种具体实施例的在Python仿真环境下、用户数量不同及其他参数相同的情况下，基于DQN算法卸载策略与全部、不卸载策略进行比较的能耗的变化情况示意图；

图9为一种具体实施例的在Python仿真环境下、用户数量不同及其他参数相同的情况下，基于DQN算法卸载策略与全部、不卸载策略进行比较的时延的变化情况示意图。

具体实施方式

下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。

在以下的描述中，涉及到“一些实施例”，其描述了所有可能实施例的子集，但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集，并且可以在不冲突的情况下相互结合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的，不是旨在限制本申请。

首先，对本申请出现的名词进行解释：

CAP：边缘计算接入点。

MDP：马尔可夫决策过程。

MEC：移动边缘计算技术。

EVA：无人机窃听者。

DQN算法：深度强化学习算法。

AWGN：加性高斯白噪声。

参照图1，本发明实施例提供了一种基于物理层的任务卸载及带宽分配的处理方法，本实施例可应用于能够与用户端和边缘计算接入点进行交互的控制模型。

本实施例包括以下步骤：

S1、计算任务总时延和任务总能耗；

在一些实施例中，计算任务总时延这一步骤，其具体包括：

根据第一时间、第二时间和第三时间计算任务总时延。

计算任务总能耗这一步骤，其具体包括：

根据第一能耗和第二能耗计算任务总能耗。

本实施例通过获取多个因素中的时延，以提高后续预测任务分配比例和带宽分配比例的准确性。

S2、根据任务总时延和任务总能耗构建目标函数；

在一些实施例中，步骤S2，可通过以下方式实现：

获取权重因子；

根据权重因子、任务总时延和任务总能耗构建目标函数。

本实施例通过引入权重因子，以在不同的优化场景下，对时延和能耗进行权衡。

S3、获取任务卸载方式以及用户端与边缘计算接入点通信时的带宽；

S4、根据目标函数、任务卸载方式以及用户端与边缘计算接入点通信时的带宽生成优化函数；

S5、采用深度强化算法优化上述优化函数中的任务卸载方式和用户端与边缘计算接入点通信时的带宽，生成任务卸载比例和带宽分配比例；

在一些实施例中，步骤S5，可通过以下方式实现：

采用全连接网络拟合特征提取神经网络提取到的特征，输出任务卸载比例和带宽分配比例。具体地，可采用贪婪的选择策略输出任务卸载比例和带宽分配比例。

在一些实施例中，在输出任务卸载比例和带宽分配比例这一步骤之前，还包括以下步骤：

定义损失函数；

通过损失函数判断是否输出任务卸载比例和带宽分配比例。

本实施例通过损失函数，以使输出的任务卸载比例和带宽分配比例达到最优。

S6、根据任务卸载比例和带宽分配比例处理当前任务量。该步骤中的处理当前任务量包括卸载任务量和计算任务量两个步骤。

在一些实施例中，在进行当前任务卸载之前，还包括以下步骤：

获取保密容量阈值；该保密容量阈值可根据用户端与CAP的信道参数进行设置。其中，信道参数包括无线信道的链路参数和干扰信道的链路参数。

在当前任务量小于保密容量阈值时，确定当前任务量在用户端计算。

本实施例能在存在窃听者的场景下，避免传输过程中出现链路中断时，影响传输安全性。

在一些实施例中，将上述实施例应用于具体操作中，其具体过程如下：

假设存在一个具备计算力无线接入点(CAP)、一个时刻移动的无人机攻击者和N个用户，用户集可以表示为

在一个时隙中，每一个用户端n都需要计算一个大小为l_n的任务量。本实施例中，用户端可以假设为手机、智能穿戴设备等移动设备，因此，用户端n在计算能力和能量消耗方面都存在一定的限制。为了能够更大程度上的减少计算任务所需要的时延和能耗，用户会选择将部分或者全部的任务卸载到附近的CAP。于此同时，在用户和CAP的无线通信链路中，存在一个时刻移动的无人机攻击者去攻击无线传输速率。假设每个用户需要计算的任务量l_n可以任意的分为两部分，一部分在用户端本地计算，而另一部分则选择通过无线传输到CAP进行计算并将其计算结果返回到用户。在本实施例中，使用α_n∈[0,1]表示第n个用户的卸载百分比，对于用户端n，意味着有(1-α_n)·l_n大小的任务在用户端本地计算，而α_n·l_n大小的任务卸载到CAP计算。使用β_n∈[0,1]表示第n个用户的带宽分配率，其中，/>

在本实施例中，为了应对现实环境中复杂的网络传输环境，提高网物理层安全传输速率，在本实施例中设计了无人机窃听者去攻击用户与CAP之间的传输链路，进而研究传输速率和传输安全性对整个系统影响。当用户端n需要卸载部分任务到CAP，即h<α_n≤1时，由于传输链路之间存在窃听者，发送端需要在传输任务的同时对抗窃听者。当用户和CAP之间的信道要比用户到攻击者之间的信道更加有优势时，通过合理的设计信道编码、调制等技术，可以实现信息在合法用户之间安全传输，而不会被窃听者窃取。因此，需要获取用户传输数据到CAP的估计传输速率，根据香农定理获得用户端n和CAP传输链路中不完全的传输速率，其计算公式如公式1所示：

其中，W_total为系统总带宽，β_n为带宽分配率，h_n,C为用户端n到CAP的信道参数，σ_n,C为CAP节点处AWGN的方差，

为用户端n的发射功率。

如果窃听者选择监听用户端的信息，则根据香农公式可获取用户与窃听者之间的传输速率，其计算公式如公式2所示：

其中，W_total为窃听者信道的带宽，h_n,E为用户端n到CAP的信道参数，σ_n,E为CAP节点处AWGN的方差。

通过公式1和公式2，可计算得到本实施例对应系统的安全传输速率，其计算公式如公式3所示：

R_n＝[R_n,C-R_n,E]⁺ 公式3

其中，[X]⁺表示当X>0时，返回X；当X<0时，返回0。公式3表示了当用户和CAP之间能够达到安全传输条件时，运行用户n卸载计算任务到CAP节点；当用户端n和CAP之间不能够达到安全传输条件，即R_n,C-R_n,E≤0时，用户端不被允许卸载计算任务到CAP，即卸载率α_n＝0。

在本实施例中，本地计算模型讨论了在用户端本地计算的任务所需要的时延和能耗，由于本地计算不需要进行无线传输，因此系统中的无人机窃听者不会对本地计算造成影响。因此，本地计算模型中，只需要知道用户端的计算能力和计算功率，进而获取完成本地计算任务的时延和能耗。具体地，使用f_n表示用户n的计算能力，即用户CPU每秒钟的转数，此时通过用户端n的计算能力，完成本地计算任务的时间可以表示为如公式4所示：

其中，W是完成一个bit所需要的CPU转数。

与此同时，完成用户端本地计算任务的能耗可以表示为如公式5所示：

其中，

为用户端n的计算功率。

当用户端n和CAP之间能够到达安全传输条件时，用户可以选择卸载部分或全部的任务到CAP进行计算。此时，将任务卸载CAP过程中传输时延可以表示为如公式6所示：

于此同时，其传输能耗可以表示为如公式7所示：

其中，

是用户端n的发射功率。

用户端将任务卸载到CAP后，CAP计算任务并将结果返回给用户，因此，需要先得到被卸载任务在CAP节点计算所需要的时间，其可以表示为如公式8所示：

其中，F_C为CAP的计算能力。

由于在真实环境中，为了能够为周围的设备提供稳定优质的服务，所有无线访问计算节点都需要与电源相连，因此在本实施例的系统中CAP节点在工作时不需要考虑能源的消耗。不失一般性的，大部分的边缘卸载任务，如人脸识别、健康评估等服务，其返回结果的文件是非常小的，因此在整个系统运转的过程中回传结果的时间可以忽略。

至此，本实施例的整个系统模型中计算任务所需要的时延和能耗已经全部描述完毕，接下来需要将传输和计算产生的时延和能耗进行一个汇总。首先，总的时延为计算本地任务的时延、传输卸载任务的时延和在CAP计算被卸载任务的时延之和，因此总的时延可以表示为如公式9所示：

于此同时，总的能耗为计算本地任务的能耗和传输卸载任务的能耗之和，其可以表示为如公式10所示：

将部分计算任务卸载的方法在MEC网络中是非常常见解决方案，通过将部分的任务卸载到边缘计算节点进行计算，进而降低移动设备完成任务的时延和能耗。但是，同时降低时延和能耗是一个多目标优化问题，而且当时延和能耗同时降低到一定程度后，会形成相互制约的状态，即降低能耗的同时会伴随着总体时延的升高。为了应对不同场景，本实施通过引入权重因子λ对时延和能耗进行权衡。权重因子的主要表现形式为如公式11所示：

Φ＝λT_total+(1-λ)E_total 公式11

其中，权重因子λ∈[0,1]，Φ为模型总体的优化目标。

在本实施例中，引入权重因子可以使得在任意时刻调整系统中时延和能耗的重要性：在任意时刻，如果系统对低时延要求很高，需要增加λ的数值；反之，则需要降低λ的数值进而提升能耗在整个系统中的重要性。权重因子的引入也可以使更加全面的了解时延和能耗在MEC网络中的权衡关系。

于此同时，本实施例得到了系统中的优化目标函数Φ，最小化Φ是优化整个系统的关键。影响目标函数的因素有很多，比如通过带宽的优化、发射功率的设计和对抗窃听信道的方式提高任务卸载时的传输速率，进而提升降低Φ，亦或者通过设计用户端n的卸载策略α_n∈[0,1]提升计算资源的利用率，从而提升系统的性能。在本实施例中，由于研究的是任务卸载策略和用户端与CAP通信时的带宽对整个系统产生的影响。因此，将本实施例中所涉及到优化因素结合目标函数可以获得最终的优化函数，优化函数如公式12所示：

其中，W_total为系统总带宽。

为了保证物理层传输安全的同时减低时延和能耗的线性加权Φ，系统中存在多个用户时，现有的优化方法很难解决上述问题。在本实施例中，采用了深度强化学习算法去解决上述问题。为了能够使用强化学习算法去解决这个问题，本实施例采用马尔可夫决策过程(MDP)建模。

因为Agent只能通过观察当前的MEC环境来做出决策，也就是说，任务是部分可观察的。因此，通过当前MEC环境的状态x_t，无法完全理解当前任务卸载过程。因此，在本实施例中考虑一系列的行动和观察，其可用公式13表示：

S_t＝x₁,a₁,x₂,a₂,...,a_t-1,x_t 公式13

其中，强化学习是通过智能体Agent以“试错”的方式进行学习，在本实施例中，CAP节点被认为是Agent，也就是说，强化学习算法是部署在CAP节点上。

Agent从这些序列中学习任务卸载策略。假设序列长度是有限的。几次之后，任务卸载将结束，这些序列是离散的。本实施例将任务卸载问题转化为有限马尔可夫过程，并使用经典的强化学习算法来解决MDP问题。强化学习是一个循环过程，在这个循环过程中，智能体采取行动a来改变其状态S，获得奖励R，并与环境进行交互作用。本实施例中，首先将资源分配问题描述为一个MDP。设S＝{F,B}为状态空间，其中，F＝{l₁,α_1,m,l₂,α_2,m,...,l_N,α_N,m}，

动作空间定义为A＝{α_1,m,α_2,m,...,α_N,m,β_1,m,β_2,m,...,β_N,m}。本实施例中采用的深度强化算法为了同时优化任务和带宽，如图2所示，本实施例改进了DQN算法中的升级网络，通过两个单独的网路去学习任务和带宽变化的特征，然后通过全连接网络学习其特征，输出每个动作的Q＝Q(s_t,a；W)值，神经网络共有4N个输出，其中输出范围[0,2N]决定任务卸载率的作用，相同的输出范围[2N，4N]决定带宽分配率的作用。在本实施例找那个，采用贪婪的选择策略，其具体如公式14所示：

最后得到任务卸载比例和带宽分配的动作。

在整个过程中，损失函数定义如下公式15所示：

Loss_W＝((r-ψargmin_a(Q(s_t,a；W')))-Q(s,a:W))² 公式15

在一些实施例中，将本实施例提出的卸载策略与现有的现有策略进行比较。其中，网络中的所有信道都经历瑞利平坦衰落。如果未指定，则用户端处的发射功率和计算功率分别设置为2W和3W。两个特征提取网络包含一个隐含层，全连接层包含了一个隐含层。每个CAP为每个用户分配的计算能力相同。此外5个用户包含不同的计算能力，分别是1.4×10⁸转/秒、0.21×10⁸转/秒、0.95×10⁸转/秒、0.13×10⁸转/秒和0.43×10⁸转/秒。5个用户的任务大小分别设置为4.3Mb、11.5Mb、6.6Mb、17.0Mb和5.0Mb。如果没有指定，CAP的总带宽设置为W_total＝5GHz。

在图3-图9中，为了便于查看，使用All-Local、ALL-MEC、D-DQN分别表示任务全部在用户端本地计算、全部在CAP计算和通过DQN算法的资源分配策略。

如图3所示对比全部在本地计算和全部卸载到CAP计算，D-DQN算法在保证系统传输安全的同时，性能明显优于其他。经过12000次迭代，系统性能稳定。

如图4所示，其表示CAP在不同带宽的情况下系统总代价Φ在全部在本地计算All-Local、全部在MEC计算All-MEC和使用DQN网络获得卸载策略D-DQN的三种卸载策略下的变化对系统传输安全和优化的影响。在测试过程中设置了5个用户，CAP的计算能力设置为6.3×10⁸转/秒。由图4可知出，由于不会产生数据传输，All-Local卸载方案不受CAP总带宽大小的影响。图中All-MEC和D-DQN两种方案在总带宽W_total增加时，系统的总代价降低。这是因为随着系统总带宽的增加，用户与CAP之间的传输速率在不断提升，进而减少了用户传输时所产生的时延和能耗。与此同时，由于All-MEC方案会比D-DQN方案卸载更多的任务量到CAP，所以增加总带宽对All-MEC方案影响更大，All-MEC方案下降的速度更快。当W_total＝2GHz时，All-MEC方案比All-Local花费更多的系统总代价，因此，当传输带宽较低时，需要更多的任务在本地计算以减少数据传输。此外，图4进一步证明了上述实施例设计的D-DQN卸载策略的有效性，随着带宽的增加，系统的保密容量也随着增加。

区域内用户数目多少对MEC网络中服务质量有着至关重要的影响，因此本实施例进一步探索了用户数目对系统传输安全和总代价产生的影响。如图5所示，图表示了系统总代价在不同用户数目下的变化情况，同时对All-Local、All-MEC和D-DQN三种方案进行了比较。测试中系统总带宽W_total＝5GHz，CAP的计算能力为6.3×10⁸转/秒。由图5可知，随着用户数目的增多，三种卸载策略的系统总代价成上升趋势。经分析，出现这种趋势的主要原因有两点：首先，随着用户的增加，All-Local和D-DQN方案中数据传输链路增加，在系统总带宽不变的情况下，势必会降低数据保密容量，进而增加传输时的时延和能耗；其次，用户增加，在所有用户任务大小接近的情况下，计算任务总和增大，进而增加了总代价Φ。以上两个主要因素也是All-MEC方案增长速度最快的原因。于此同时。图5表明了上述实施例提出的D-DQN方案的有效性，D-DQN方案的总代价一直低于其他两种方案。说明在用户数增加且带宽不变的情况下，D-DQN方案可更好的保证传输安全和提高系统效能。

图6示了CAP的计算能力对系统总体代价的影响。计算能力一直是计算领域的一个主要限制，物联网等领域移动节点计算能力的不足在一定程度上促进了MEC网络的发展。本测试过程中，设置了系统总体带宽为W_total＝5GHz，用户数量为5。由图6可知，随着CAP计算能力的增加，All-MEC方案和D-DQN方案的总代价Φ降低，这是因为CAP计算能力增加，卸载到CAP端的任务所需的计算时间降低，进而系统总代价降低。而由于All-Local方案没有卸载任务到CAP，因此All-Local方案的系统总代价没有发生变化。当CAP的计算能力F_c∈[1.2×10⁸，5.3×10⁸]转/秒时，All-Local方案要优于All-MEC方案，但是，随着CAP计算能力的增强，All-MEC方案的系统总能耗降低且优于All-Local方案。于此同时，随着CAP计算能力的增强，上述实施例提出的D-DQN方案的系统总能耗持续降低且全方面优于其他两个方案。

图7展示了系统总代价Φ，三种任务卸载策略和权重系数λ之间的关系，测试过程中设置了5个用户，CAP计算能力设置为6.3×10⁸转/秒，λ在0.1到0.9之间变化。由图7可知，对于不同权重系数λ，上述实施例所提出的D-DQN方法都优于All-Local和All-MEC，这表明上述实施例提出的优化方法能够有效的利用用户和CAP之间的计算机资源。此外，当λ＝0.9时，All-MEC的成本比All-Local的成本要小，因为任务卸载过程中使用CAP计算任务有助于降低能耗。相反，当λ比较小时，All-MEC大于All-Local，是因为传输延迟成为系统成本的瓶颈。

为了进一步探究上述实施例提出的算法对系统时延和能耗的优化程度，在测试过程中将λ分别设置为0和1，在一些特殊情况下系统只需要时延或者能耗最优的场景。当λ＝1时，系统只优化时延，反之，当λ＝0时，系统只优化能耗。其中，图8表示当λ＝0时只优化能耗的情况，其中W_total＝5GHz，CAP为每个本地设备分配的计算能力为1.23×10⁸转/秒，通过图8可知，随着用户数的增加D-DQN方案对比All-MEC和All-Local的优势会越发明显，说明随着用户数的增加，系统能耗可以更好的被优化。图9表示当λ＝1时，系统只优化能耗的情况。同样，随着用户数的增加DQN方案对比All-MEC和All-Local的优势会越发明显。由图9可知，随着用户数的增加三种卸载策略的时延差距明显大于图8中的能耗差距，经分析，出现这种情况是因为时延在系统中占比要大于能耗，此外随着用户的增加带宽不变的情况下，系统的传输时延也会出现较大增加，这也是造成这种差距的原因。

本发明实施例还提供了一种与图1方法相对应的基于物理层的任务卸载及带宽分配的处理系统，包括：

计算模块，用于计算任务总时延和任务总能耗；

本发明方法实施例的内容均适用于本系统实施例，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法达到的有益效果也相同。

此外，本发明实施例还提供了一种基于物理层的任务卸载及带宽分配的处理系统，包括：

至少一个存储器，用于存储程序；

以上是对本发明的较佳实施进行了具体说明，但本发明并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims

1.一种基于物理层的任务卸载及带宽分配的处理方法，其特征在于，包括以下步骤：

计算任务总时延和任务总能耗；

获取权重因子，根据所述权重因子、所述任务总时延和所述任务总能耗构建目标函数；

根据所述任务卸载比例和带宽分配比例处理当前任务量；其中在当前任务量小于获取的保密容量阈值时，确定所述当前任务量在用户端计算。

2.根据权利要求1所述的一种基于物理层的任务卸载及带宽分配的处理方法，其特征在于，所述采用深度强化算法优化所述优化函数中的任务卸载方式和所述用户端与边缘计算接入点通信时的带宽，生成任务卸载比例和带宽分配比例，包括：

3.根据权利要求2所述一种基于物理层的任务卸载及带宽分配的处理方法，其特征在于，采用贪婪的选择策略输出任务卸载比例和带宽分配比例。

4.根据权利要求1所述的一种基于物理层的任务卸载及带宽分配的处理方法，其特征在于，所述计算任务总时延，包括：

根据所述第一时间、第二时间和第三时间计算任务总时延。

5.根据权利要求1所述的一种基于物理层的任务卸载及带宽分配的处理方法，其特征在于，所述计算任务总能耗，包括：

根据所述第一能耗和所述第二能耗计算任务总能耗。

6.根据权利要求2所述的一种基于物理层的任务卸载及带宽分配的处理方法，其特征在于，在所述输出任务卸载比例和带宽分配比例这一步骤之前，还包括以下步骤：

定义损失函数；

7.一种基于物理层的任务卸载及带宽分配的处理系统，其特征在于，包括：

计算模块，用于计算任务总时延和任务总能耗；

8.一种基于物理层的任务卸载及带宽分配的处理系统，其特征在于，包括：

至少一个存储器，用于存储程序；

至少一个处理器，用于加载所述程序以执行如权利要求1-6任一项所述的基于物理层的任务卸载及带宽分配的处理方法。