CN114362877A - 一种uav-mec环境下利用物理层安全技术的高安全卸载能效方法 - Google Patents
一种uav-mec环境下利用物理层安全技术的高安全卸载能效方法 Download PDFInfo
- Publication number
- CN114362877A CN114362877A CN202210038754.0A CN202210038754A CN114362877A CN 114362877 A CN114362877 A CN 114362877A CN 202210038754 A CN202210038754 A CN 202210038754A CN 114362877 A CN114362877 A CN 114362877A
- Authority
- CN
- China
- Prior art keywords
- unmanned aerial
- aerial vehicle
- unloading
- user
- sub
- 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
Images
Landscapes
- Traffic Control Systems (AREA)
Abstract
一种UAV‑MEC环境下利用物理层安全技术的高安全卸载能效方法,构建一个新型的无人机边缘卸载场景,以最大化系统安全通信传输速率与合法无人机能耗的比值为目标,建立了无人机最大保密能效模型,在满足给定时延、MEC服务器CPU计算频率以及卸载率的约束下,联合优化了合法无人机的轨迹、CPU计算频率分配以及计算任务的卸载策略,同时从物理层安全角度提升了UAV‑MEC场景下的安全通信。构建了一种基于块坐标下降法的全局优化算法来解决优化问题,将该优化问题进行解耦为三个子问题,通过引入松弛变量将非凸子问题近似为局部凸优化问题,对凸问题利用CVX工具进行多次迭代求解系统近似最优解。本方法充分考虑了无人机安全通信与无人机能耗之间的关系,提升系统整体Qos。
Description
技术领域
本发明涉及计算机无线通信技术领域,具体涉及一种UAV-MEC环境下利用物理层安全技术的高安全卸载能效方法。
背景技术
随着移动终端设备的普及与移动通信技术的快速发展,计算密集型业务对终端的计算能力和存储能力提出了很高的要求。因此,有很多研究者考虑将云计算的思想引入到移动通信网络中,采用移动云计算的方式来加速计算密集型业务的运行和处理以提升用户体验。在典型的移动云计算网络中,云服务器一般部署在远离用户的核心网中,将业务卸载到云服务器,往往面临较大的传输延迟。鉴于此,欧洲电信标准协会ETSI行业规范小组ISG推出了移动边缘计算MEC,作为将智能扩展到网络边缘以及更高处理和存储能力的一种手段,达到了较好的计算和处理服务效果。
尽管无人机(UnmannedAerialVehicle,UAV)辅助的边缘计算系统有着很大的优势,但是,无人机对地的通信问题不得不考虑。众所周知,由于无线传输的广播性质,无人机和地面用户之间的通信很容易被附近的恶意攻击者听到。
从保证物理层安全和节约能耗的角度来看,无人机边缘计算系统的目标是最大化保密能量效率或称为安全能量效率,即系统中保密容量与系统能耗之间的比值。保密容量,或称为安全容量,定义为主链路的信道容量和窃听链路的信道容量之差。如果保密能力下降到零以下,从源到目的地的传输就变得不安全,窃听者就能够拦截源传输。为了防止窃听者对任务卸载过程中的数据窃取,无人机自身要具备发射干扰信号的能力,同时在卸载数据过程中要选择较好的信道环境,但是由于无人机自身储存的电力资源有限的因素,防窃听功耗和数据卸载量之间存在矛盾,即无人机要获得很大的保密通信卸载率,必然要消耗更多的干扰功率。因此基于此研究无人机辅助边缘计算中的安全通信和能效优化策略问题有着一定的意义。
发明内容
针对上述背景技术中存在的问题,本发明提出一种UAV-MEC环境下利用物理层安全技术的高安全卸载能效方法,在存在窃听者的无人机辅助边缘计算环境下,引入物理层安全技术,将地面终端计算任务卸载给无人机搭载的边缘服务器过程中的安全通信传输速率与无人机能耗进行均衡,实现高安全卸载能量效率,提升系统整体的运行效率。
一种UAV-MEC环境下利用物理层安全技术的高安全卸载能效方法,包括如下步骤:
步骤1,建立存在窃听无人机和合法无人机的边缘卸载场景;
步骤2,通过数学模型将上述边缘卸载模型建模为公式化的优化问题;
步骤3,将建立的优化问题根据地面卸载用户任务数据量是否能满足任务时延要求划分为两种模式:本地计算模式和MEC部分卸载计算模式,若地面终端用户能在时延要求范围内完成计算任务,则选择本地计算模式;否则,选择MEC部分卸载模式;
步骤4,将MEC部分卸载模式下的优化问题利用块坐标算法进行求解,将其解耦为三个子优化问题:合法无人机轨迹优化非凸子问题、无人机CPU计算频率分配子问题以及数据卸载率优化子问题;
步骤5,对无人机轨迹优化非凸子问题引入松弛变量进行局部凸近似处理,以求解系统近似最优的运行轨迹;
步骤6,对目标函数进行变换,将与当前子问题无关的约束和变量进行去除,求解无人机CPU计算频率分配子问题和数据卸载率子问题;
步骤7,利用CVX工具对上述三个子问题分别求局部近似解,将三个局部解在进行迭代以求得系统整体近似最优解,获得无人机最优的飞行路径轨迹、无人机对每个地面卸载用户的最优CPU计算频率分配以及计算任务数据卸载率。
进一步地,在步骤1中,所述建立存在窃听无人机和合法无人机的边缘卸载场景包括以下信息:N个地面终端用户、E个窃听无人机和一个搭载边缘服务器的合法无人机;第i个用户的位置表示为合法无人机固定在地面以上的高度Hu,其水平位置用表示。
进一步地,在步骤2中,所述建立的优化问题具体包括目标函数和约束条件;
目标函数是:
式(1)中,η定义为系统最大保密能效,系统安全通信传输速率定义为地面用户i至合法无人机链路的数据传输速率riu与用户i至窃听无人机链路最大数据传输速率的差值其中Ei表示合法无人机服务用户i的总能耗,包括发射干扰窃听无人机的能耗接收卸载用户过程中产生的通信传输功耗以及计算用户数据卸载到合法无人机所产生的计算能耗
q和f分别无人机的飞行轨迹和对每个用户分配的计算频率,变量ξ=[0,1]定义为用户与合法无人机建立卸载连接的卸载系数;
约束条件具体包括:
用户i在本地计算模式下的时延要求应满足Ti loc≤T,式中Ti loc表示本地计算时延,T为终端任务可容忍的最大时延;
进一步地,在步骤4中,所述将MEC部分卸载模式下的优化问题利用块坐标算法进行求解,将其解耦为三个子优化问题,具体的步骤如下:
a.根据块坐标下降法,仅保留与无人机轨迹有关的约束条件,无人机轨迹子优化问题表示为:
b.仅保留与无人机频率分配相关的约束条件,无人机频率分配子优化问题表示为:
c.根据块坐标下降法,仅保留与无人机卸载率有关的约束条件,无人机卸载率子问题表示为:
进一步地,在步骤5中,所述引入松弛变量对无人机轨迹优化问题进行局部凸近似,具体方法指的是:
进一步地,在步骤7中,所述利用CVX工具对上述三个子问题分别求局部近似解,将三个局部解在进行迭代以求得系统整体近似最优解,具体方法指的是:
在求解无人机轨迹子问题时,给定其各个变量初值,代入求解轨迹第i次迭代局部近似值,再把第i次迭代的无人机轨迹值及其他它初值代入频率优化子问题,求解出第i次迭代下的频率分配子问题近似解,再把第i次迭代的无人机轨迹解和频率解代入卸载率子问题近似解,不断增加迭代次数,直到两次迭代的目标函数差值满足在范围[-0.01,0.01]内,即可得到高卸载能效方法,结束流程。
本发明的有益效果是:联合优化窃听环境下无人机辅助边缘计算中的无人机轨迹规划、无人机CPU计算频率分配以及卸载率的分配策略,均衡系统中安全通信传输速率与能耗的之间的关系,使系统整体具有最大的安全通信能效比;相比于单纯追求最大化卸载过程中的安全通信传输速率,本方法考虑系统能耗,从系统整体来看,可以在平衡一定安全通信传输速率的同时改善不必要的系统能耗浪费,提升系统整体的运行效率。另外,与单纯追求系统能耗最小的方案相比,考虑安全卸载数据率,将进一步提高系统中的安全性。综上,本方法充分考虑无人机能耗和安全通信传输速率之间的关系,具有提升系统整体Qos的效果。
附图说明
图1是本发明实施例中的高安全卸载能效方法的系统模型图。
图2是本发明实施例中的高安全卸载能效方法的流程示意图
具体实施方式
下面结合说明书附图对本发明的技术方案做进一步的详细说明。
如图所述,UAV-MEC环境下利用物理层安全技术的高安全卸载能效方法,具体步骤包括如下:
步骤1、建立存在窃听无人机和合法无人机的边缘卸载场景。
步骤2、通过数学模型将上述边缘卸载模型建模为公式化的优化问题。
步骤3、将建立的优化问题根据地面卸载用户任务数据量是否能满足任务时延要求划分为两种模式:本地计算模式和MEC部分卸载计算模式,若地面终端用户能在时延要求范围内完成计算任务,则选择本地计算模式。否则,选择MEC部分卸载模式。
步骤4、将MEC部分卸载模式下的优化问题利用块坐标算法进行求解,将其解耦为三个子优化问题:合法无人机轨迹规划子问题、无人机频率分配子问题以及卸载率优化子问题。
步骤5、对无人机轨迹优化非凸子问题引入松弛变量进行局部凸近似处理,以求解系统近似最优的运行轨迹。
步骤6、对目标函数进行变换,将与当前子问题无关的约束和变量进行去除,求解无人机CPU计算频率分配子问题和数据卸载率子问题。
步骤7、利用CVX工具对上述三个子问题分别求局部近似解,将三个局部解在进行迭代以求得系统整体近似最优解,获得无人机最优的飞行路径轨迹、无人机对每个地面卸载用户的最优CPU频率分配以及计算任务数据卸载率。
如图1所述,对于步骤1:图1展示了本发明的系统模型,包括地面N个终端用户、E个窃听无人机和一个搭载边缘服务器的合法无人机。每个用户终端都具备一定的计算能力,满足本地执行一些简单任务需求。而搭载边缘服务器的无人机具有很强的计算能力。地面终端用户会向合法无人机进行数据卸载,在此过程中的数据会被附近的窃听无人机所窃听。地面用户和窃听无人机的集合分别定义为N和E。这里我们假设合法无人机知道地面用户和窃听无人机的准确位置,不同窃听者无人机之间不发生通信。这里每个用户都有一组任务要处理。由于有限的本地计算能力和延迟需求,用户可以在本地处理他们的任务或将任务部分卸载给合法的无人机进行处理。在存在窃听无人机的情况下,在全双工模式下运行下的的合法无人机搭载两根天线,其中一个接收天线用于接收来自卸载用户的卸载信号,另一个发射天线用于向窃听无人机发送干扰信号。地面用户和窃听无人机分别配备一根天线用于传输和窃听。这里考虑一个多路接入信道,所有地面用户可以使用同一个信道同时发送他们的信号。当合法无人机发射电磁波干扰附近的窃听者的时候,该电磁波也会也对自身进行干扰,产生自干扰信号。
对于步骤2,利用数学模型将其建模成公式优化问题。基于上述的描述,先可以建立以下数学模型:
(a)通信模型
对于空对地信道,假设通信中多普勒频移可以被接收端补偿,信道质量取决于无人机和用户的之间的链路,由于无人机链路都为Los(视距链路),即信道增益服从自由空间损耗模型,则第i个用户和合法用户之间的信道功率增益可以表示为如下公式所示:
其中,q为无人机的飞行轨迹,di指第n帧的用户终端k与无人机之间的欧氏距离。β1指在参考距离为1m时,传输功率为1W时的接收功率。这里β1表示为:这里gt和gr分别表示为地面用户天线的传输增益和无人机天线的接收增益。λ表示传输信号波长。假设第e个窃听者无人机位于一个固定高度He,水平坐标在合法的无人机上是完全已知的。则从第i个用户到第e个窃听无人机之间的信道增益可以表示为:
类似的,在合法无人机和窃听者无人机之间的空对空信道中,窃听者无人机和合法无人机之间的信道功率增益可以表示为:
假设用户终端的任务可以被分割,计算任务可以分配到用户本地和合法无人机MEC服务器上执行,无人机在接收数据卸载过程中不能同时进行数据计算任务。由于不同地面用户需要计算的数据量不同,一些用户需要将任务卸载到合法无人机搭载的MEC上,而另一些用户可以在满足本地计算延时需求下在本地执行计算任务。将变量定义为用户与合法无人机建立卸载连接的卸载系数。无人机和用户可根据自身计算资源来共同决定该卸载系数大小。当用户自身的计算任务满足本地计算延迟时,用户可以进行卸载,也可以在本地进行计算。本实施例默认执行全部本地计算的用户(即ξi=0)不存在信息被窃取的问题,即信息安全问题只发生在卸载过程中。当第i个用户将计算任务卸载到合法的UAV时,用户和UAV的上行链路的数据传输速率可以表示为:
这里pi为第i个终端用户的发射功率。σ2是噪声功率,γ为自干扰系数,pjam为合法无人机发射电磁波干扰窃听无人机的功率,这会导致合法无人机自身产生γpjam的自干扰功率。
同理,用户和窃听无人机之间的数据传输速率可以表示为:
(b)时延模型
定义第i个用户所需要执行的任务数据量大小定义为Di,计算任务Di中每1bit数据量所需要的CPU周期频率数定义为Ci,这里假设每个用户的计算任务都需要在T时间内完成,信道中每个用户的传输带宽为B,无法满足本地计算延迟的用户必须将任务卸载到合法无人机。终端用户数据的整个计算过程可分为本地计算和部分卸载两种模式。因此,用户卸载到合法无人机的数据量为ξiDi,用户本地计算的任务数据量为(1-ξi)Di。由于经过合法无人机计算后的数据返回给用户的数据量相比卸载输入数据的数据量非常小,因此本发明中由无人机传给用户的时延的可以忽略不计。
由上述分析,终端用户本地计算的时延可以表示为:
其中f0指的是用户本地的CPU计算频率,这里默认每个地面终端用户的CPU计算频率均为f0。
关联到无人机的地面终端用户任务卸载到无人机的时延可以表示为:
无人机执行用户任务的计算产生的时延为:
(c)能耗模型
由上述时延和功率模型分析可知,在执行用户卸载数据的时候,合法无人机产生的能耗主要包括三个方面:发射干扰电磁波干扰窃听者产生的能耗、接收用户卸载数据过程中产生的通信能耗以及执行用户卸载数据产生的计算能耗。由于合法无人机只有在接收卸载数据时才会发射干扰信号,则合法无人机发射电磁波产生的干扰能耗可以表示为:
设pu为合法无人机接收卸载信号的功率,则合法无人机接收卸载用户过程中产生的通信传输功耗可以表示为:
类似的,执行用户卸载数据的合法无人机产生的计算能耗可以表示为:
基于上述分析,将保密能耗效率定义为安全通信传输速率与无人机能耗比例的形式,则本发明中的优化问题可以被建模成问题P1:
在上述问题中,C1是表示了卸载系数,C2保证了本地计算模式下任务需要满足的时间约束,C3表示了在MEC卸载模式下用户任务需要满保证在总时间T内完成,C4表示了总共分配的频率应该保证在无人机CPU总频率范围内,C5表示合法无人机分配的频率应该是非负的。
在步骤4中所提到本发明是利用块坐标下降法进行求解;该块坐标下降全局优化算法在解决优化问题时,一次只更新一个或几个变量块,通过交替优化三个子问题来迭代求解获得原问题的一个近似解。
步骤5,所述将无人机轨迹优化非凸子问题作近似凸子优化问题,是通过引入辅助变量进行采用一阶泰勒展开来处理的,具体处理流程为:
对于该非凸子问题:
由于不恒小于等于0,因此该目标问题是非凸的,非凸的主要原因是由于变量riu和引起的,故在这里引入辅助变量φiu和εie将变量riu和松弛为以下不等式:在这里,辅助变量φiu是riu的下界,εie是的上界,故该目标问题可以表示为以下形式:
由于引入的辅助变量,目标函数变为凸函数形式,但是约束C2和C3仍然是非凸的,非凸主要原因是riu和关于合法无人机轨迹q是非凸的,但是riu关于||q-wi||2是凸的,关于||q-ve||2是凸的,故这里采用SCA技术、重新对约束C2和C3进行表示:
这里L1是第m次迭代中合法无人机位置q[m]的一阶泰勒展开下界表达式:
类似的,为了局部凸化εie:
其中L2也利用SCA技术将其表示为第m次迭代中合法无人机位置q[m]的一阶泰勒展开下界:
同理,为了凸化L3,引入辅助变量λe,
其中λe满足:
因此无人机轨迹规划问题可以变换为求解以下凸问题:
由于该问题为凸问题,可以利用CVX工具,通过标准凸优化技术进行求解,得到第m次迭代时无人机轨迹q[m]的局部最优解。
步骤6所述无人机CPU频率分配子问题和数据卸载率子问题可通过以下过程进行进一步转化:
无人机CPU计算频率分配子问题为:
由于目标函数和约束均为凸函数,同样可以利用CVX工具,通过标准凸优化算法进行求解,得到当前迭代次数下的无人机CPU计算频率分配局部最优解。
以上述子问题解得的无人机轨迹局部最优解以及无人机CPU计算频率分配为基础,对于任意给定的卸载率ξ,问题P1可以转化为以下形式:
当其它变量为固定值时,求解该问题最大值,即求卸载率ξi最小值问题,而ξi又由系统最大延时决定,由约束C1,可得:
步骤7所述利用CVX工具对上述三个子问题分别求近似解过程为:先给定其各个变量初值,代入求解无人机轨迹优化问题求得第i次迭代局部近似值,再把第i次迭代的无人机轨迹值及其他它初值代入CPU计算频率优化子问题,求解出第i次迭代下的CPU计算频率分配子问题近似解,再把第i次迭代的无人机轨迹解和CPU计算频率解代入卸载率子问题近似解,不断增加迭代次数,直到两次迭代的目标函数差值满足在范围[-0.01,0.01]内,即可得到该系统的高卸载能效方法,即最优的飞行路径轨迹、无人机对每个地面卸载用户的最优频率分配以及计算任务数据卸载率。
综上所述,本发明同时考虑窃听环境下无人机辅助边缘计算系统下最大安全卸载数据率和无人机能耗之间的关系。建立了无人机最大保密能效模型,在满足给定时延、MEC服务器CPU计算频率以及卸载率的约束下,联合优化了合法无人机轨迹、频率分配以及计算任务的卸载策略,同时从物理层安全角度提升了UAV-MEC场景下的安全通信。该方法采用了一种基于块坐标下降法的全局优化算法,将该优化问题进行解耦为三个子问题,对非凸子优化问题通过引用松弛变量局部近似为局部凸优化问题,对凸问题利用CVX工具进行多次迭代求解系统近似最优解。该发明充分考虑了无人机安全通与无人机能耗之间的关系,具有提升系统整体Qos的目的。
以上所述仅为本发明的较佳实施方式,本发明的保护范围并不以上述实施方式为限,但凡本领域普通技术人员根据本发明所揭示内容所作的等效修饰或变化,皆应纳入权利要求书中记载的保护范围内。
Claims (6)
1.一种UAV-MEC环境下利用物理层安全技术的高安全卸载能效方法,其特征在于:所述方法包括如下步骤:
步骤1,建立存在窃听无人机和合法无人机的边缘卸载场景;
步骤2,通过数学模型将上述边缘卸载模型建模为公式化的优化问题;
步骤3,将建立的优化问题根据地面卸载用户任务数据量是否能满足任务时延要求划分为两种模式:本地计算模式和MEC部分卸载计算模式,若地面终端用户能在时延要求范围内完成计算任务,则选择本地计算模式;否则,选择MEC部分卸载模式;
步骤4,将MEC部分卸载模式下的优化问题利用块坐标算法进行求解,将其解耦为三个子优化问题:合法无人机轨迹优化非凸子问题、无人机CPU计算频率分配子问题以及数据卸载率优化子问题;
步骤5,对无人机轨迹优化非凸子问题引入松弛变量进行局部凸近似处理,以求解系统近似最优的运行轨迹;
步骤6,对目标函数进行变换,将与当前子问题无关的约束和变量进行去除,求解无人机CPU计算频率分配子问题和数据卸载率子问题;
步骤7,利用CVX工具对上述三个子问题分别求局部近似解,将三个局部解在进行迭代以求得系统整体近似最优解,获得无人机最优的飞行路径轨迹、无人机对每个地面卸载用户的最优CPU计算频率分配以及计算任务数据卸载率。
3.根据权利要求1所述的一种UAV-MEC环境下利用物理层安全技术的高安全卸载能效方法,其特征在于:在步骤2中,所述建立的优化问题具体包括目标函数和约束条件;
目标函数是:
式(1)中,η定义为系统最大保密能效,系统安全通信传输速率定义为地面用户i至合法无人机链路的数据传输速率riu与用户i至窃听无人机链路最大数据传输速率的差值其中Ei表示合法无人机服务用户i的总能耗,包括发射干扰窃听无人机的能耗接收卸载用户过程中产生的通信传输功耗以及计算用户数据卸载到合法无人机所产生的计算能耗
q和f分别为无人机的飞行轨迹和对每个用户分配的计算频率,变量ξ=[0,1]定义为用户与合法无人机建立卸载连接的卸载系数;
约束条件具体包括:
用户i在本地计算模式下的时延要求应满足Ti loc≤T,式中Ti loc表示本地计算时延,T为终端任务可容忍的最大时延;
6.根据权利要求1所述的一种UAV-MEC环境下利用物理层安全技术的高安全卸载能效方法,其特征在于:在步骤7中,所述利用CVX工具对上述三个子问题分别求局部近似解,将三个局部解在进行迭代以求得系统整体近似最优解,具体方法指的是:
在求解无人机轨迹子问题时,给定其各个变量初值,代入求解轨迹第i次迭代局部近似值,再把第i次迭代的无人机轨迹值及其他它初值代入频率优化子问题,求解出第i次迭代下的频率分配子问题近似解,再把第i次迭代的无人机轨迹解和频率解代入卸载率子问题近似解,不断增加迭代次数,直到两次迭代的目标函数差值满足在范围[-0.01,0.01]内,即得到高卸载能效方法,结束流程。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210038754.0A CN114362877A (zh) | 2022-01-13 | 2022-01-13 | 一种uav-mec环境下利用物理层安全技术的高安全卸载能效方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210038754.0A CN114362877A (zh) | 2022-01-13 | 2022-01-13 | 一种uav-mec环境下利用物理层安全技术的高安全卸载能效方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114362877A true CN114362877A (zh) | 2022-04-15 |
Family
ID=81109758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210038754.0A Pending CN114362877A (zh) | 2022-01-13 | 2022-01-13 | 一种uav-mec环境下利用物理层安全技术的高安全卸载能效方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114362877A (zh) |
-
2022
- 2022-01-13 CN CN202210038754.0A patent/CN114362877A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112104494B (zh) | 基于空地协同边缘计算网络的任务安全卸载策略确定方法 | |
CN113055896B (zh) | 基于无人机的d2d通信下联合功率控制和信道分配方法 | |
CN112737842B (zh) | 空地一体化车联网中基于最小化时延的任务安全卸载方法 | |
Shang et al. | Deep learning-assisted energy-efficient task offloading in vehicular edge computing systems | |
CN114051254B (zh) | 一种基于星地融合网络的绿色云边协同计算卸载方法 | |
CN110856259A (zh) | 移动边缘计算环境中自适应数据块大小的资源分配和卸载方法 | |
CN112911587B (zh) | Mec-d2d环境下利用物理层安全防窃听任务卸载方法 | |
Yu et al. | UAV-aided low latency mobile edge computing with mmWave backhaul | |
CN116017303A (zh) | 一种安全irs辅助ua v-mec系统的联合资源分配和轨迹设计方法 | |
CN115484607A (zh) | 一种ris辅助的swipt无线系统安全通信方法 | |
CN113709728A (zh) | 一种基于noma及无人机辅助的两阶段移动边缘计算通信方法 | |
Khan et al. | Energy efficient resource allocation and computation offloading strategy in a UAV-enabled secure edge-cloud computing system | |
Hu et al. | Optimization for HTTP adaptive video streaming in UAV-enabled relaying system | |
CN114242030A (zh) | 基于智能反射表面辅助无线能量传输的保密率最大化方法 | |
CN114363803A (zh) | 一种移动边缘计算网络节能的多任务分配方法及系统 | |
Nasr-Azadani et al. | Distillation and ordinary federated learning actor-critic algorithms in heterogeneous UAV-aided networks | |
Cho et al. | Energy-efficient computation task splitting for edge computing-enabled vehicular networks | |
CN115664486B (zh) | 一种ris辅助uav边缘计算系统中无线供能的能效优化方法 | |
CN116669073A (zh) | 基于智能反射面辅助无人机认知网络的资源分配和轨迹优化方法 | |
CN114362877A (zh) | 一种uav-mec环境下利用物理层安全技术的高安全卸载能效方法 | |
CN116095699A (zh) | 利用双边缘计算的高安全卸载方法、系统、终端及其介质 | |
Hadi et al. | Joint resource allocation, user clustering and 3-d location optimization in multi-uav-enabled mobile edge computing | |
Gao et al. | Secure enhancement in NOMA-based UAV-MEC networks | |
CN114125744A (zh) | 一种基于区块链权益证明的数据采集方法及终端系统 | |
Hadi et al. | Computation bits enhancement for IRS-assisted multi-UAV wireless powered mobile edge computing systems |
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 |