CN113377547A - 一种5g边缘计算环境下计算任务智能卸载和安全保障方法 - Google Patents

一种5g边缘计算环境下计算任务智能卸载和安全保障方法 Download PDF

Info

Publication number
CN113377547A
CN113377547A CN202110922867.2A CN202110922867A CN113377547A CN 113377547 A CN113377547 A CN 113377547A CN 202110922867 A CN202110922867 A CN 202110922867A CN 113377547 A CN113377547 A CN 113377547A
Authority
CN
China
Prior art keywords
user
task
base station
tasks
unloading
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.)
Granted
Application number
CN202110922867.2A
Other languages
English (en)
Other versions
CN113377547B (zh
Inventor
赵海涛
张晗
张晖
陈志远
娄兴良
倪艺洋
夏文超
蔡艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
ZTE Corp
Nanjing University of Posts and Telecommunications
Original Assignee
ZTE Corp
Nanjing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by ZTE Corp, Nanjing University of Posts and Telecommunications filed Critical ZTE Corp
Priority to CN202110922867.2A priority Critical patent/CN113377547B/zh
Publication of CN113377547A publication Critical patent/CN113377547A/zh
Application granted granted Critical
Publication of CN113377547B publication Critical patent/CN113377547B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
    • G06F9/5083—Techniques for rebalancing the load in a distributed system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
    • H04L9/06—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols the encryption apparatus using shift registers or memories for block-wise or stream coding, e.g. DES systems or RC4; Hash functions; Pseudorandom sequence generators
    • H04L9/0618—Block ciphers, i.e. encrypting groups of characters of a plain text message using fixed encryption transformation
    • H04L9/0631—Substitution permutation network [SPN], i.e. cipher composed of a number of stages or rounds each involving linear and nonlinear transformations, e.g. AES algorithms
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Security & Cryptography (AREA)
  • Signal Processing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种5G边缘计算环境下计算任务智能卸载和安全保障方法，该方法首先考虑用户在卸载过程当中的移动性，估计用户在基站的停留时间，考虑用户在卸载过程当中的移动性，消耗的时延和能量，以及用户向MEC服务器支付的费用，以最大化系统效益为目标，采用Q‑Learning得到用户的卸载方案；其次考虑了基站之间的负载均衡，对用户任务进行优先级排序，为任务指配合适的基站卸载，从而更加有效地利用MEC服务器的计算资源和基站的信道资源；此外还考虑了卸载时用户任务的安全性，对MEC与用户之间传送的数据采用基于多维生物特征的AES加密。

Description

一种5G边缘计算环境下计算任务智能卸载和安全保障方法
技术领域
本发明涉及通信技术领域，特别是一种5G边缘计算环境下计算任务智能卸载和安全保障方法。
背景技术
由于通信技术的快速发展，通信的方式也日趋多样化，一系列新的通信服务例如显增强现实服务(AR)， 虚拟现实服务(VR)，自动驾驶技术等等，与传统的通信技术不同，这些实时服务需要对大量的应用数据进行快速的处理，但由于终端设备的资源受限，通过移动边缘计算(MEC)可以将部分计算任务写在到边缘服务器，从而对应用数据进行快速的处理。
但是目前的移动边缘计算仍然存在许多问题，比如在任务卸载期间，用户可以选择经由无线信道将计算任务的数据卸载到MEC服务器，此时可能导致敏感的私人数据受到侵犯；再比如，随着某些区域内用户数目的指数型扩增，可能会导致不同基站的负载各不相同，某些基站可能严重负载，而某些基站可能仍有大量计算资源剩余，急需对不同覆盖范围的基站进行负载均衡；此外，在任务卸载期间，用户的移动性也可能会使得用户无法获得计算结果，导致计算资源和能量的浪费。
针对以上的三个问题，该方法首先考虑用户在卸载过程当中的移动性，估计用户的停留时间，为用户指配合适的本地基站，以最大化系统效益为目标，采用Q-Learning得到用户的最佳卸载方案；其次考虑了基站之间的负载均衡，对用户任务进行优先级排序，为任务指配合适的基站卸载，从而更加有效地利用MEC服务器的计算资源和基站的信道资源；此外还考虑了卸载时用户任务的安全性，对用户任务采用了基于多维生物特征的AES加密方式，避免计算卸载时的数据遭到泄露。
发明内容
本发明所要解决的技术问题是克服现有技术的不足而提供一种5G边缘计算环境下计算任务智能卸载和安全保障方法，该方法应用于多用户多MEC服务器的网络场景，考虑了用户在卸载过程中的移动性估计用户的停留时间，同时还考虑了消耗的时延和能量，以及用户向MEC服务器支付的费用，采用Q-Learning以最大化系统效益为目标，得到用户的卸载方案，此外还考虑了基站之间的负载均衡，对用户任务进行优先级排序，从而更加有效地利用MEC服务器的计算资源和基站的信道资源，最后考虑了卸载时用户任务的安全性，对MEC与用户之间传送的数据采用基于多维生物特征的AES加密，避免传输时用户数据遭到泄露。
本发明为解决上述技术问题采用以下技术方案：
根据本发明提出的一种5G边缘计算环境下计算任务智能卸载和安全保障方法，包括以下步骤：
步骤1、考虑用户移动性，估计用户停留在基站的停留时间，为每个用户指配本地基站；
步骤2、考虑用户在卸载过程当中的移动性、消耗的时延和能量，以及用户向MEC服务器支付的费用，采用强化学习Q-Learning方法以最大化通信系统的效益为目标，得到用户的卸载决策方案；
步骤3、对用户的任务进行优先级排序，并采用负载均衡的方式为排序好的用户的任务分配信道资源和计算资源，并且从节约MEC服务器和基站能耗的角度为任务指配基站卸载。
作为本发明所述的一种5G边缘计算环境下计算任务智能卸载和安全保障方法进一步优化方案，步骤3之后还包括步骤4，
步骤4、对MEC服务器与用户之间传输的数据采用基于多维生物特征的AES加密。
作为本发明所述的一种5G边缘计算环境下计算任务智能卸载和安全保障方法进一步优化方案，步骤1中为每个用户指配本地基站包括：
步骤1-1、第i个用户
Figure 288098DEST_PATH_IMAGE001
搜寻预设范围内的可用的基站，将可用的基站添加到集合M中，基站的覆盖半径为R j ，其中1≤i≤n，n为用户总数；
步骤1-2、GPS模块定位
Figure 329872DEST_PATH_IMAGE002
所在的位置，对于集合M中的每一个基站M j ，求出用户与基站之间的距离d i,j 、用户
Figure 906347DEST_PATH_IMAGE003
前进方向向量
Figure 160610DEST_PATH_IMAGE004
、用户
Figure 362266DEST_PATH_IMAGE005
与M j 之间的方向向量
Figure 840521DEST_PATH_IMAGE006
、以及
Figure 638712DEST_PATH_IMAGE007
与
Figure 696667DEST_PATH_IMAGE006
之间的夹角
Figure 24268DEST_PATH_IMAGE008
；
步骤1-3、对于集合M中的M j ，计算出用户沿着
Figure 548790DEST_PATH_IMAGE004
走出M j 所需要的距离
Figure 958912DEST_PATH_IMAGE009
；
步骤1-4、对于集合M中的M j ，估计出第i个用户停留在第j个基站的停留时间
Figure 492661DEST_PATH_IMAGE010
，v i 为用户的移动速度，选择出集合M中t i,j 最长的基站，选择该基站作为本地基站。
作为本发明所述的一种5G边缘计算环境下计算任务智能卸载和安全保障方法进一步优化方案，步骤2中，
考虑用户的移动性，考虑两种情况的场景：
情况（1）：当用户的任务完成时间小于停留时间，则说明用户能够在停留时间内完成任务；
情况（2）：当用户的任务完成时间大于等于停留时间，则说明用户在任务完成之前移动到其他基站，则需要将MEC服务器处理任务后得到的结果重新传到目标基站，产生额外时延和能量消耗；
根据这两种情况，定义第i个用户的任务
Figure 875101DEST_PATH_IMAGE011
，D i 为Task i 的输入数据量，
Figure 957808DEST_PATH_IMAGE012
为单位数据的任务所需资源，T i max 为Task i 时延的时限；第i个用户采用本地计算时的能耗E i L 表示为：
Figure 324067DEST_PATH_IMAGE013
，时延t i L 表示为：
Figure 130349DEST_PATH_IMAGE014
，k表示能量系数，f i L 表示用户本地的CPU频率；当第i个用户采用MEC服务器计算时的能耗E i M 表示为：
Figure 429612DEST_PATH_IMAGE015
，时延t i M 表示为：
Figure 295937DEST_PATH_IMAGE016
，P i 表示为第i个用户的发射功率，t i mt 表示第i个用户的数据传输时延，R i 表示为第
Figure 152422DEST_PATH_IMAGE017
个用户的数据传输速率，t i me 表示为第i个用户的MEC服务器的处理时延，能量收益G i E 定义为
Figure 559133DEST_PATH_IMAGE018
，
Figure 119427DEST_PATH_IMAGE019
为能量权重系数，时延收益G i T 定义为
Figure 687812DEST_PATH_IMAGE020
，
Figure 966346DEST_PATH_IMAGE021
为时延权重系数；
同时还需考虑用户向MEC服务器支付的服务费用，
Figure 239065DEST_PATH_IMAGE005
支付的费用 price i 由MEC服务器的计算处理能力，以及用户的任务的计算量决定，定义
Figure 325969DEST_PATH_IMAGE022
，
Figure 330835DEST_PATH_IMAGE023
为服务器定价系数，f i 为第i个用户的本地MEC服务器的计算资源，C i 为 Task i 所需的计算量；
当用户任务Task i 处在情况（1）时，效益函数定义为
Figure 851594DEST_PATH_IMAGE024
；当用户任务Task i 处在情况（2）时，效益函数为
Figure 662424DEST_PATH_IMAGE025
，其中Z i m 表示将计算结果从当前基站传输到目标基站所消耗的开销，即
Figure 197310DEST_PATH_IMAGE026
，
Figure 373077DEST_PATH_IMAGE027
为系数；计算结果是指将用户任务传输给MEC服务器处理，任务处理后返回的结果就是计算结果；
综合考虑以上两种情况的场景的移动性卸载问题表示为最大化效益问题：
Figure 626204DEST_PATH_IMAGE028
Figure 116091DEST_PATH_IMAGE030
Figure 505484DEST_PATH_IMAGE032
Figure 182977DEST_PATH_IMAGE033
Figure 657821DEST_PATH_IMAGE034
Figure 13716DEST_PATH_IMAGE035
Figure 257616DEST_PATH_IMAGE036
其中，
Figure 509605DEST_PATH_IMAGE037
为决策集合，F为MEC服务器总的计算资源，N为所有用户编号的集合，
Figure 471745DEST_PATH_IMAGE038
定义为
Figure 569014DEST_PATH_IMAGE039
，x为自变量，f i 为第i个用户的本地MEC服务器的计算资源，a i 为第i个用户的决策，当a i =1时表示在MEC服务器进行卸载计算，当a i =0时表示在用户本地进行卸载计算，
Figure 930070DEST_PATH_IMAGE040
为第i个用户的收益，G i T 为第i个用户的时延收益，G i E 为第i 个用户的能量收益；
采用强化学习Q-Learning方法以最大化通信系统的效益为目标，得到用户的卸载决策方案。
作为本发明所述的一种5G边缘计算环境下计算任务智能卸载和安全保障方法进一步优化方案，步骤3包括以下步骤：
步骤3-1、每个基站按照优先级
Figure 680857DEST_PATH_IMAGE041
对基站内的任务Task i 升序排列，D m 为第m个用户的任务的输入数据量，T m max 为第m个用户的任务的可容忍时限，a m 为第m个用户的任务的决策，(a m =1)为所有在MEC服务器进行卸载的用户编号的集合；
步骤3-2、每个基站按照任务优先级为用户任务分配信道资源，当信道资源不足时，则后续任务排队等待信道释放；
步骤3-3、每个基站按照任务优先级为用户的任务分配计算资源；
步骤3-4、某基站的MEC服务器计算资源不足时，该基站向基站控制器发送请求，汇报当前任务所需的计算资源
Figure 395872DEST_PATH_IMAGE042
，基站控制器向所有基站广播，搜寻所有剩余计算资源
Figure 31253DEST_PATH_IMAGE043
的基站集合，在基站集合中选择剩余资源最少的目标基站对Task i 进行完全卸载；
步骤3-5、当处理到Task i ，所有基站的剩余计算资源
Figure 984165DEST_PATH_IMAGE044
的时候，则基站控制器将任务Task i 等分为
Figure 109116DEST_PATH_IMAGE045
份子任务，每一个子任务都按照步骤3-4执行，寻找基站卸载；若仍有某个子任务使得
Figure 376674DEST_PATH_IMAGE046
，则结束此任务Task i 。
作为本发明所述的一种5G边缘计算环境下计算任务智能卸载和安全保障方法进一步优化方案，步骤4具体如下：
步骤4-1、用户设备采集到用户的指纹特征以及人脸特征，将提取到的特征作为AES算法的密钥；
步骤4-2、用户采用AES算法，使用密钥对任务Task i 的数据进行加密，形成加密后的
Figure 612483DEST_PATH_IMAGE047
；
步骤4-3、用户将秘钥传输给基站控制器进行保管，当某一基站需要对某一任务进行计算时，则该基站向基站控制器请求秘钥，通过身份认证后取得秘钥，对
Figure 888744DEST_PATH_IMAGE048
进行解密计算；
步骤4-4、采用该秘钥将计算结果加密后，返回给用户。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
（1）本发明提出来一种考虑用户移动性的卸载方法，对基站内每个用户的停留时间进行估计，为每个用户指配合适的本地基站，采用Q-Learning的强化学习方法最大化系统的效益，得到最佳的用户卸载策略；
（2）本发明提出了一种基站之间的负载均衡方法，对用户任务进行优先级排序，为任务指配合适的基站卸载，从而更加有效地利用MEC服务器的计算资源和基站的信道资源；
（3）本发明提出了一种卸载任务加密方式，对用户任务采用了基于多维生物特征的AES加密方式，考虑了卸载时用户任务的安全性，避免卸载时的任务数据遭到泄露。
附图说明
图1为本发明提供的一种5G边缘计算环境下计算任务智能卸载与安全保障优化方法的流程图。
图2为本发明提供的一种5G边缘计算环境下计算任务智能卸载与安全保障优化方法的模型图。
图3为本发明提供的一种5G边缘计算环境下计算任务智能卸载与安全保障优化方法中所述用户在基站中的移动模型图。
图4为本发明提供的一种5G边缘计算环境下计算任务智能卸载与安全保障优化方法中所述Q-Learning方法的流程图。
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，下面将结合附图及具体实施例对本发明进行详细描述。
如图1所示，一种5G边缘计算环境下计算任务智能卸载与安全保障优化方法，该方法应用于多用户多MEC服务器的网络场景，考虑了用户在卸载过程中的移动性估计用户的停留时间，同时还考虑了消耗的时延和能量，以及用户向MEC服务器支付的费用，采用Q-Learning以最大化系统效益为目标，得到用户的卸载方案，此外还考虑了基站之间的负载均衡，对用户任务进行优先级排序，从而更加有效地利用MEC服务器的计算资源和基站的信道资源，最后考虑了卸载时用户任务的安全性，对MEC与用户之间传送的数据采用基于多维生物特征的AES加密，避免传输时用户数据遭到泄露，包括如下步骤：
第一步：考虑用户移动性，估计用户停留在基站的停留时间，为每个用户指配合适的本地基站；
第二步：考虑用户在卸载过程当中的移动性，消耗的时延和能量，以及用户向MEC服务器支付的费用，采用Q-Learning以最大化系统效益为目标，得到最卸载方案；
第三步：对用户任务进行优先级排序，并采用负载均衡的方式为排序好的用户任务分配信道资源和计算资源，并且从节约MEC和基站能耗的角度为任务指配合适的基站卸载；
第四步：对MEC与用户之间传输的数据采用基于多维生物特征的AES加密;
如图3所示，步骤1中为每个用户指配本地基站包括：
步骤1-1、第i个用户
Figure 512492DEST_PATH_IMAGE005
搜寻预设范围内的可用的基站，将可用的基站添加到集合M中，基站的覆盖半径为R j ，其中1≤i≤n，n为用户总数；可用的基站是满足用户在基站覆盖范围之内。
步骤1-2、GPS模块定位
Figure 343045DEST_PATH_IMAGE049
所在的位置，对于集合M中的每一个基站M j ，求出用户与基站之间的距离d i,j 、用户
Figure 444862DEST_PATH_IMAGE050
前进方向向量
Figure 372366DEST_PATH_IMAGE051
、用户
Figure 836190DEST_PATH_IMAGE005
与M j 之间的方向向量
Figure 216356DEST_PATH_IMAGE006
、以及
Figure 528389DEST_PATH_IMAGE052
与
Figure 575979DEST_PATH_IMAGE006
之间的夹角
Figure 948054DEST_PATH_IMAGE008
；
步骤1-3、对于集合M中的M j ，计算出用户沿着
Figure 81096DEST_PATH_IMAGE052
走出M j 所需要的距离
Figure 868923DEST_PATH_IMAGE053
；
步骤1-4、对于集合M中的M j ，估计出第i个用户停留在第j个基站的停留时间
Figure 98916DEST_PATH_IMAGE054
，v i 为用户的移动速度，选择出集合M中t i,j 最长的基站，意味着用户在该基站下停留的时间最长，选择该基站作为本地基站。
进一步的，步骤2中，强化学习方法是为了得到第i个用户的卸载决策a i ，当a i =0时表示在本地进行计算，当a i =1时表示在MEC服务器进行卸载计算，决策集合
Figure 113664DEST_PATH_IMAGE055
是所有用户的卸载决策，
Figure 734001DEST_PATH_IMAGE056
为用户的总数；
如图2所示，考虑用户的移动性，考虑两种实际情况：
情况（1）：当用户的任务完成时间小于停留时间，则说明用户能够在停留时间内完成任务；
情况（2）：当用户的任务完成时间大于等于停留时间，则说明用户在任务完成之前移动到其他基站，则需要将计算结果（MEC服务器处理任务后得到的结果）重新传到目标基站，产生额外时延和能量消耗，计算结果是指将用户任务传输给MEC处理，任务处理后返回的结果就是计算结果；
根据上述两种情况，定义第i个用户的任务
Figure 981312DEST_PATH_IMAGE057
，D i 为Task i 的输入数据量，
Figure 737915DEST_PATH_IMAGE058
为单位数据的任务所需资源，T i max 为Task i 时延的时限；第i个用户采用本地计算时的能耗E i L 表示为：
Figure 451793DEST_PATH_IMAGE059
，时延t i L 表示为：
Figure 559427DEST_PATH_IMAGE060
，k表示能量系数，f i L 表示用户本地的CPU频率；当第i个用户采用MEC服务器计算时的能耗E i M 表示为：
Figure 282532DEST_PATH_IMAGE061
，时延t i M 表示为：
Figure 359554DEST_PATH_IMAGE062
，P i 表示为第i个用户的发射功率，t i mt 表示第i个用户的数据传输时延，R i 表示为第
Figure 837808DEST_PATH_IMAGE017
个用户的数据传输速率，t i me 表示为第i个用户的MEC服务器的处理时延，能量收益G i E 定义为
Figure 839263DEST_PATH_IMAGE063
，
Figure 428376DEST_PATH_IMAGE064
为能量权重系数，时延收益G i T 定义为
Figure 893992DEST_PATH_IMAGE065
，
Figure 215252DEST_PATH_IMAGE021
为时延权重系数。
同时还需考虑用户向MEC服务器支付的服务费用，
Figure 704002DEST_PATH_IMAGE066
支付的费用 price i 由MEC服务器的计算处理能力，以及用户的任务的计算量决定，定义
Figure 503331DEST_PATH_IMAGE067
，
Figure 91963DEST_PATH_IMAGE068
为服务器定价系数，f i 为第i个用户的本地MEC服务器的计算资源，C i 为 Task i 所需的计算量
当用户任务Task i 处在情况（1）时，效益函数定义为
Figure 912020DEST_PATH_IMAGE069
；当用户任务Task i 处在情况（2）时，效益函数为
Figure 950383DEST_PATH_IMAGE070
，其中Z i m 表示将计算结果从当前基站传输到目标基站所消耗的开销，即
Figure 818982DEST_PATH_IMAGE071
，
Figure 524770DEST_PATH_IMAGE027
为系数；计算结果是指将用户任务传输给MEC服务器处理，任务处理后返回的结果就是计算结果。
综合考虑以上两种情况，该场景的移动性卸载问题表示为最大化效益问题：
Figure 656674DEST_PATH_IMAGE028
Figure 447913DEST_PATH_IMAGE072
Figure 875131DEST_PATH_IMAGE032
Figure 169846DEST_PATH_IMAGE033
Figure 738231DEST_PATH_IMAGE034
Figure 16765DEST_PATH_IMAGE035
Figure 633691DEST_PATH_IMAGE036
其中，
Figure 48492DEST_PATH_IMAGE037
为决策集合，F为MEC服务器总的计算资源，N为所有用户编号的集合，
Figure 53357DEST_PATH_IMAGE073
定义为
Figure 288029DEST_PATH_IMAGE074
，x为自变量，f i 为第i个用户的本地MEC服务器的计算资源，a i 为第i个用户的决策，当a i =1时表示在MEC服务器进行卸载计算，当a i =0时表示在用户本地进行卸载计算，
Figure 770963DEST_PATH_IMAGE075
为第i个用户的收益，G i T 为第i个用户的时延收益，G i E 为第i 个用户的能量收益；针对上述最优化问题，强化学习Q-Learning方法定义了状态
Figure 308780DEST_PATH_IMAGE076
，决策集合
Figure 218967DEST_PATH_IMAGE077
和奖励
Figure 206514DEST_PATH_IMAGE078
，表示为：
Figure 758718DEST_PATH_IMAGE079
，
Figure 476008DEST_PATH_IMAGE080
表示用户所处基站的用户数，
Figure 88255DEST_PATH_IMAGE081
表示基站中每个用户的任务的所需资源，
Figure 563098DEST_PATH_IMAGE082
表示用户的移动特性；
Figure 384905DEST_PATH_IMAGE083
，
Figure 832067DEST_PATH_IMAGE084
为决策集合，当
Figure 146374DEST_PATH_IMAGE085
时表示用户在本地进行计算，当
Figure 311776DEST_PATH_IMAGE086
时表示用户在MEC服务器进行卸载计算；
Figure 940203DEST_PATH_IMAGE087
，用目标函数表示奖励，
Figure 304188DEST_PATH_IMAGE088
为归一化系数；
如图4所示，Q-Learning方法的具体步骤如下：
1、初始化Q表
Figure 992659DEST_PATH_IMAGE089
，
Figure 38500DEST_PATH_IMAGE090
为状态，
Figure 205039DEST_PATH_IMAGE091
为决策集合，
Figure 626793DEST_PATH_IMAGE092
是Q表的计算方式；
2、对于每个时隙
Figure 486164DEST_PATH_IMAGE093
，随机分配当前时刻的状态
Figure 422896DEST_PATH_IMAGE094
，对当前的状态
Figure 658706DEST_PATH_IMAGE095
选择决策集合
Figure 59600DEST_PATH_IMAGE096
，计算
Figure 352522DEST_PATH_IMAGE097
；
3、 更新Q表，
Figure 510971DEST_PATH_IMAGE098
；
4、 更新状态
Figure 19313DEST_PATH_IMAGE099
；
5、重复步骤 2~4，直到
Figure 415659DEST_PATH_IMAGE100
达到最终状态
Figure 882413DEST_PATH_IMAGE101
。
所述步骤3中的用户任务信道资源和计算资源的分配考虑了任务的完全卸载和部分卸载结合以及基站之间的负载均衡，还包括以下步骤：
a. 每个基站按照优先级
Figure 528158DEST_PATH_IMAGE102
对基站内的任务
Figure 574611DEST_PATH_IMAGE103
升序排列，
Figure 622202DEST_PATH_IMAGE104
为第
Figure 262786DEST_PATH_IMAGE105
个用户的任务的输入数据量，
Figure 130248DEST_PATH_IMAGE106
为第
Figure 511551DEST_PATH_IMAGE107
个用户的任务的可容忍时限，
Figure 413648DEST_PATH_IMAGE108
第
Figure 956624DEST_PATH_IMAGE109
个用户的任务的决策，
Figure 904858DEST_PATH_IMAGE110
为所有在MEC服务器进行卸载的用户编号的集合；
b. 每个基站按照任务优先级为用户任务分配信道资源，当信道资源不足时，则后续任务排队等待信道释放；
c. 每个基站按照任务优先级为用户任务分配计算资源；
d. 某基站的MEC服务器计算资源不足时，该基站向基站控制器发送请求，汇报当前任务所需的计算资源
Figure 558693DEST_PATH_IMAGE111
，基站控制器向所有基站广播，搜寻所有剩余计算资源
Figure 577946DEST_PATH_IMAGE112
的基站集合，在基站集合中选择剩余资源最少的目标基站对
Figure 291824DEST_PATH_IMAGE113
进行完全卸载；
e. 当处理到
Figure 602720DEST_PATH_IMAGE114
，所有基站的剩余计算资源
Figure 325825DEST_PATH_IMAGE115
的时候，则基站控制器将任务
Figure 264831DEST_PATH_IMAGE116
等分为
Figure 680769DEST_PATH_IMAGE117
份子任务，每一个子任务都按照步骤3-4执行，寻找基站卸载；若仍有某个子任务使得
Figure 10119DEST_PATH_IMAGE118
，则结束此任务
Figure 8687DEST_PATH_IMAGE119
。
所述步骤4中的采用多维生物特征可以提高AES算法密钥的随机性和保密性，还包括步骤：
a. 用户设备采集到用户的指纹特征以及人脸特征，将提取到的特征作为AES算法的密钥；
b. 用户采用AES算法，使用密钥对任务
Figure 739882DEST_PATH_IMAGE120
的数据进行加密，形成加密后的
Figure 795563DEST_PATH_IMAGE121
；
c. 用户将秘钥传输给基站控制器进行保管，当某一基站需要对某一任务进行计算时，则该基站向基站控制器请求秘钥，通过身份认证后取得秘钥，对
Figure 612209DEST_PATH_IMAGE122
进行解密计算；
d. 采用该秘钥将计算结果加密后，返回给用户。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。

Claims (6)

1.一种5G边缘计算环境下计算任务智能卸载和安全保障方法，其特征在于，包括以下步骤：
步骤1、考虑用户移动性，估计用户停留在基站的停留时间，为每个用户指配本地基站；
步骤2、考虑用户在卸载过程当中的移动性、消耗的时延和能量，以及用户向MEC服务器支付的费用，采用强化学习Q-Learning方法以最大化通信系统的效益为目标，得到用户的卸载决策方案；
步骤3、对用户的任务进行优先级排序，并采用负载均衡的方式为排序好的用户的任务分配信道资源和计算资源，并且从节约MEC服务器和基站能耗的角度为任务指配基站卸载。
2.根据权利要求1所述的一种5G边缘计算环境下计算任务智能卸载和安全保障方法，其特征在于，步骤3之后还包括步骤4，
步骤4、对MEC服务器与用户之间传输的数据采用基于多维生物特征的AES加密。
3.根据权利要求1所述的一种5G边缘计算环境下计算任务智能卸载和安全保障方法，其特征在于，步骤1中为每个用户指配本地基站包括：
步骤1-1、第i个用户
Figure 828808DEST_PATH_IMAGE001
搜寻预设范围内的可用的基站，将可用的基站添加到集合M中，基站的覆盖半径为R j ，其中1≤i≤n，n为用户总数；
步骤1-2、GPS模块定位
Figure 808265DEST_PATH_IMAGE002
所在的位置，对于集合M中的每一个基站M j ，求出用户与基站之间的距离d i,j 、用户
Figure 650319DEST_PATH_IMAGE003
前进方向向量
Figure 373425DEST_PATH_IMAGE004
、用户
Figure 250114DEST_PATH_IMAGE005
与M j 之间的方向向量
Figure 666052DEST_PATH_IMAGE006
、以及
Figure 998332DEST_PATH_IMAGE007
与
Figure 525128DEST_PATH_IMAGE006
之间的夹角
Figure 990744DEST_PATH_IMAGE008
；
步骤1-3、对于集合M中的M j ，计算出用户沿着
Figure 312004DEST_PATH_IMAGE004
走出M j 所需要的距离
Figure 863071DEST_PATH_IMAGE009
；
步骤1-4、对于集合M中的M j ，估计出第i个用户停留在第j个基站的停留时间
Figure 396821DEST_PATH_IMAGE010
，v i 为用户的移动速度，选择出集合M中t i,j 最长的基站，选择该基站作为本地基站。
4.根据权利要求3所述的一种5G边缘计算环境下计算任务智能卸载和安全保障方法，其特征在于，步骤2中，
考虑用户的移动性，考虑两种情况的场景：
情况1：当用户的任务完成时间小于停留时间，则说明用户能够在停留时间内完成任务；
情况2：当用户的任务完成时间大于等于停留时间，则说明用户在任务完成之前移动到其他基站，则需要将MEC服务器处理任务后得到的结果重新传到目标基站，产生额外时延和能量消耗；
根据这两种情况，定义第i个用户的任务
Figure 716944DEST_PATH_IMAGE011
，D i 为Task i 的输入数据量，
Figure 209105DEST_PATH_IMAGE012
为单位数据的任务所需资源，T i max 为Task i 时延的时限；第i个用户采用本地计算时的能耗E i L 表示为：
Figure 513047DEST_PATH_IMAGE013
，时延t i L 表示为：
Figure 581979DEST_PATH_IMAGE014
，k表示能量系数，f i L 表示用户本地的CPU频率；当第i个用户采用MEC服务器计算时的能耗E i M 表示为：
Figure 553346DEST_PATH_IMAGE015
，时延t i M 表示为：
Figure 950829DEST_PATH_IMAGE016
，P i 表示为第i个用户的发射功率，t i mt 表示第i个用户的数据传输时延，R i 表示为第
Figure 476488DEST_PATH_IMAGE017
个用户的数据传输速率，t i me 表示为第i个用户的MEC服务器的处理时延，能量收益G i E 定义为
Figure 352041DEST_PATH_IMAGE018
，
Figure 912335DEST_PATH_IMAGE019
为能量权重系数，时延收益G i T 定义为
Figure 480719DEST_PATH_IMAGE020
，
Figure 493675DEST_PATH_IMAGE021
为时延权重系数；
同时还需考虑用户向MEC服务器支付的服务费用，
Figure 172918DEST_PATH_IMAGE005
支付的费用 price i 由MEC服务器的计算处理能力，以及用户的任务的计算量决定，定义
Figure 590648DEST_PATH_IMAGE022
，
Figure 329934DEST_PATH_IMAGE023
为服务器定价系数，f i 为第i个用户的本地MEC服务器的计算资源，C i 为 Task i 所需的计算量；
当用户任务Task i 处在情况1时，效益函数定义为
Figure 564606DEST_PATH_IMAGE024
；当用户任务Task i 处在情况2时，效益函数为
Figure 47540DEST_PATH_IMAGE025
，其中Z i m 表示将计算结果从当前基站传输到目标基站所消耗的开销，即
Figure 316848DEST_PATH_IMAGE026
，
Figure 227035DEST_PATH_IMAGE027
为系数；计算结果是指将用户任务传输给MEC服务器处理，任务处理后返回的结果就是计算结果；
综合考虑以上两种情况的场景的移动性卸载问题表示为最大化效益问题：
Figure 949003DEST_PATH_IMAGE028
Figure 235628DEST_PATH_IMAGE030
Figure 359442DEST_PATH_IMAGE032
Figure 968759DEST_PATH_IMAGE033
Figure 912444DEST_PATH_IMAGE034
Figure 2760DEST_PATH_IMAGE035
Figure 246660DEST_PATH_IMAGE036
其中，
Figure 233070DEST_PATH_IMAGE037
为决策集合，F为MEC服务器总的计算资源，N为所有用户编号的集合，
Figure 195210DEST_PATH_IMAGE038
定义为
Figure 558058DEST_PATH_IMAGE039
，x为自变量，f i 为第i个用户的本地MEC服务器的计算资源，a i 为第i个用户的决策，当a i =1时表示在MEC服务器进行卸载计算，当a i =0时表示在用户本地进行卸载计算，
Figure 656464DEST_PATH_IMAGE040
为第i个用户的收益，G i T 为第i个用户的时延收益，G i E 为第i 个用户的能量收益；
采用强化学习Q-Learning方法以最大化通信系统的效益为目标，得到用户的卸载决策方案。
5.根据权利要求4所述的一种5G边缘计算环境下计算任务智能卸载和安全保障方法，其特征在于，步骤3包括以下步骤：
步骤3-1、每个基站按照优先级
Figure 79355DEST_PATH_IMAGE041
对基站内的任务Task i 升序排列，D m 为第m个用户的任务的输入数据量，T m max 为第m个用户的任务的可容忍时限，a m 为第m个用户的任务的决策，(a m =1)为所有在MEC服务器进行卸载的用户编号的集合；
步骤3-2、每个基站按照任务优先级为用户任务分配信道资源，当信道资源不足时，则后续任务排队等待信道释放；
步骤3-3、每个基站按照任务优先级为用户的任务分配计算资源；
步骤3-4、某基站的MEC服务器计算资源不足时，该基站向基站控制器发送请求，汇报当前任务所需的计算资源
Figure 531721DEST_PATH_IMAGE042
，基站控制器向所有基站广播，搜寻所有剩余计算资源
Figure 698260DEST_PATH_IMAGE043
的基站集合，在基站集合中选择剩余资源最少的目标基站对Task i 进行完全卸载；
步骤3-5、当处理到Task i ，所有基站的剩余计算资源
Figure 651173DEST_PATH_IMAGE044
的时候，则基站控制器将任务Task i 等分为
Figure 244965DEST_PATH_IMAGE045
份子任务，每一个子任务都按照步骤3-4执行，寻找基站卸载；若仍有某个子任务使得
Figure 650539DEST_PATH_IMAGE046
，则结束此任务Task i 。
6.根据权利要求2所述的一种5G边缘计算环境下计算任务智能卸载和安全保障方法，其特征在于，步骤4具体如下：
步骤4-1、用户设备采集到用户的指纹特征以及人脸特征，将提取到的特征作为AES算法的密钥；
步骤4-2、用户采用AES算法，使用密钥对任务Task i 的数据进行加密，形成加密后的
Figure 620769DEST_PATH_IMAGE047
；
步骤4-3、用户将秘钥传输给基站控制器进行保管，当某一基站需要对某一任务进行计算时，则该基站向基站控制器请求秘钥，通过身份认证后取得秘钥，对
Figure 428188DEST_PATH_IMAGE048
进行解密计算；
步骤4-4、采用该秘钥将计算结果加密后，返回给用户。
CN202110922867.2A 2021-08-12 2021-08-12 一种5g边缘计算环境下计算任务智能卸载和安全保障方法 Active CN113377547B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110922867.2A CN113377547B (zh) 2021-08-12 2021-08-12 一种5g边缘计算环境下计算任务智能卸载和安全保障方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110922867.2A CN113377547B (zh) 2021-08-12 2021-08-12 一种5g边缘计算环境下计算任务智能卸载和安全保障方法

Publications (2)

Publication Number Publication Date
CN113377547A true CN113377547A (zh) 2021-09-10
CN113377547B CN113377547B (zh) 2021-11-23

Family

ID=77576895

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110922867.2A Active CN113377547B (zh) 2021-08-12 2021-08-12 一种5g边缘计算环境下计算任务智能卸载和安全保障方法

Country Status (1)

Country Link
CN (1) CN113377547B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113891359A (zh) * 2021-10-11 2022-01-04 中国联合网络通信集团有限公司 一种数据处理方法、装置及存储介质
CN113932824A (zh) * 2021-09-27 2022-01-14 西安理工大学 一种基于边缘计算的电动汽车充电导航系统及方法
CN114461299A (zh) * 2022-01-26 2022-05-10 中国联合网络通信集团有限公司 一种卸载决策确定方法、装置、电子设备及存储介质
CN115623540A (zh) * 2022-11-11 2023-01-17 南京邮电大学 一种移动设备的边缘优化卸载方法
CN116582873A (zh) * 2023-07-13 2023-08-11 湖南省通信建设有限公司 通过5g网络演算优化卸载任务降低延时和能耗的系统
CN116701001A (zh) * 2023-08-08 2023-09-05 国网浙江省电力有限公司信息通信分公司 目标任务分配方法、装置、电子设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190325304A1 (en) * 2018-04-24 2019-10-24 EMC IP Holding Company LLC Deep Reinforcement Learning for Workflow Optimization
CN110798849A (zh) * 2019-10-10 2020-02-14 西北工业大学 一种超密网边缘计算的计算资源分配与任务卸载方法
CN111405568A (zh) * 2020-03-19 2020-07-10 三峡大学 基于q学习的计算卸载和资源分配方法及装置
CN111556461A (zh) * 2020-04-29 2020-08-18 南京邮电大学 一种基于深度q网络的车载边缘网络任务分发卸载方法
CN111953758A (zh) * 2020-08-04 2020-11-17 国网河南省电力公司信息通信公司 一种边缘网络计算卸载和任务迁移方法及装置
CN112188442A (zh) * 2020-11-16 2021-01-05 西南交通大学 基于移动边缘计算的车联网数据驱动任务卸载系统和方法
CN112860350A (zh) * 2021-03-15 2021-05-28 广西师范大学 一种边缘计算中基于任务缓存的计算卸载方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190325304A1 (en) * 2018-04-24 2019-10-24 EMC IP Holding Company LLC Deep Reinforcement Learning for Workflow Optimization
CN110798849A (zh) * 2019-10-10 2020-02-14 西北工业大学 一种超密网边缘计算的计算资源分配与任务卸载方法
CN111405568A (zh) * 2020-03-19 2020-07-10 三峡大学 基于q学习的计算卸载和资源分配方法及装置
CN111556461A (zh) * 2020-04-29 2020-08-18 南京邮电大学 一种基于深度q网络的车载边缘网络任务分发卸载方法
CN111953758A (zh) * 2020-08-04 2020-11-17 国网河南省电力公司信息通信公司 一种边缘网络计算卸载和任务迁移方法及装置
CN112188442A (zh) * 2020-11-16 2021-01-05 西南交通大学 基于移动边缘计算的车联网数据驱动任务卸载系统和方法
CN112860350A (zh) * 2021-03-15 2021-05-28 广西师范大学 一种边缘计算中基于任务缓存的计算卸载方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JINWEI XU 等: "Deep Reinforcement Learning Based Computing Offloading and Resource Allocation Algorithm for Mobile Edge Networks", 《IEEE》 *
吴柳青: "移动边缘计算任务卸载和资源分配管理研究", 《中国优秀博硕士学位论文全文数据库（硕士）》 *
徐昌彪 等: "基于多重指标的MEC服务器选择方案", 《重庆邮电大学学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113932824A (zh) * 2021-09-27 2022-01-14 西安理工大学 一种基于边缘计算的电动汽车充电导航系统及方法
CN113891359A (zh) * 2021-10-11 2022-01-04 中国联合网络通信集团有限公司 一种数据处理方法、装置及存储介质
CN113891359B (zh) * 2021-10-11 2023-06-20 中国联合网络通信集团有限公司 一种数据处理方法、装置及存储介质
CN114461299A (zh) * 2022-01-26 2022-05-10 中国联合网络通信集团有限公司 一种卸载决策确定方法、装置、电子设备及存储介质
CN114461299B (zh) * 2022-01-26 2023-06-06 中国联合网络通信集团有限公司 一种卸载决策确定方法、装置、电子设备及存储介质
CN115623540A (zh) * 2022-11-11 2023-01-17 南京邮电大学 一种移动设备的边缘优化卸载方法
CN115623540B (zh) * 2022-11-11 2023-10-03 南京邮电大学 一种移动设备的边缘优化卸载方法
CN116582873A (zh) * 2023-07-13 2023-08-11 湖南省通信建设有限公司 通过5g网络演算优化卸载任务降低延时和能耗的系统
CN116582873B (zh) * 2023-07-13 2023-09-08 湖南省通信建设有限公司 通过5g网络演算优化卸载任务降低延时和能耗的系统
CN116701001A (zh) * 2023-08-08 2023-09-05 国网浙江省电力有限公司信息通信分公司 目标任务分配方法、装置、电子设备及存储介质
CN116701001B (zh) * 2023-08-08 2023-10-20 国网浙江省电力有限公司信息通信分公司 目标任务分配方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN113377547B (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
CN113377547B (zh) 一种5g边缘计算环境下计算任务智能卸载和安全保障方法
Yang et al. A parallel intelligence-driven resource scheduling scheme for digital twins-based intelligent vehicular systems
Chen et al. Efficiency and fairness oriented dynamic task offloading in internet of vehicles
Wu et al. An efficient offloading algorithm based on support vector machine for mobile edge computing in vehicular networks
CN112601197A (zh) 一种基于非正交多址的车联网络中资源优化方法
Shan et al. A survey on computation offloading for mobile edge computing information
CN113407249B (zh) 一种面向位置隐私保护的任务卸载方法
CN110888687A (zh) 基于合约设计的移动边缘计算任务卸载最优合约设计方法
CN113051046B (zh) 一种车载云环境下基于动态优先级的任务调度方法
CN111711962A (zh) 一种移动边缘计算系统子任务协同调度方法
Yuan et al. A survey on computation offloading for vehicular edge computing
CN116030623A (zh) 认知车联网场景下基于区块链的协作路径规划和调度方法
Wang et al. A profit maximization strategy of mec resource provider in the satellite-terrestrial double edge computing system
CN113344255B (zh) 基于移动边缘计算和区块链的车载网络应用数据传输和计费优化方法
Qiao et al. Task migration computation offloading with low delay for mobile edge computing in vehicular networks
Badri et al. Multi-stage stochastic programming for service placement in edge computing systems: Poster
Peng et al. A task assignment scheme for parked-vehicle assisted edge computing in iov
CN115129447A (zh) 一种工业互联网中计及条件风险价值的边缘计算任务卸载方法及计算机设备
Zhang et al. Load balancing in edge computing using integer linear programming based genetic algorithm and multilevel control approach
Zhao et al. Optimizing allocation and scheduling of connected vehicle service requests in cloud/edge computing
Cui et al. Online Container Scheduling for Low-Latency IoT Services in Edge Cluster Upgrade: A Reinforcement Learning Approach
Tang et al. A game theoretical pricing scheme for vehicles in vehicular edge computing
Bhanupriya et al. Knowledge discovery of edge computation for offload vehicular applications in IoT
Lee et al. Service Chaining Offloading Decision in the EdgeAI: A Deep Reinforcement Learning Approach
Du et al. Cost-effective optimization for Blockchain-Enabled NOMA-based MEC networks

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
GR01 Patent grant
GR01 Patent grant