CN115086316B - 联合优化车辆边缘网络中计算卸载的安全与资源分配方法 - Google Patents
联合优化车辆边缘网络中计算卸载的安全与资源分配方法 Download PDFInfo
- Publication number
- CN115086316B CN115086316B CN202210660824.6A CN202210660824A CN115086316B CN 115086316 B CN115086316 B CN 115086316B CN 202210660824 A CN202210660824 A CN 202210660824A CN 115086316 B CN115086316 B CN 115086316B
- Authority
- CN
- China
- Prior art keywords
- frequency
- edge
- task
- data block
- block length
- 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.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种联合优化车辆边缘网络中计算卸载的安全与资源分配方法,包括:初始化卸载决策和数据块长度;根据所述卸载决策和所述数据块长度,得到传输功率、任务计算频率、加密计算频率和边缘计算频率;基于所述卸载决策、所述数据块长度、所述传输功率、所述任务计算频率、所述加密计算频率和所述边缘计算频率,确定目标值;根据设定的迭代次数阈值以及判断条件,直至得到联合优化卸载决策。本发明制定了一个max‑min优化问题来联合优化卸载决策、传输功率、任务计算频率、加密计算频率、边缘计算频率和数据块长度,以获得最佳的安全信息容量和本地计算延迟。而且任务的时间延迟约束考虑了车辆的行驶速度和位置。
Description
技术领域
本发明涉及车载边缘计算网络技术领域,特别是一种联合优化车辆边缘网络中计算卸载的安全与资源分配方法。
背景技术
随着物联网(IoT)的迅速普及,数十亿的移动和固定设备已经连接起来以提供实时应用服务。然而,传统的云计算范式面临着一些重大挑战,例如高延迟传输和抖动的网络。边缘计算是一种新兴的分布式计算范式,将云计算的概念扩展到网络边缘,是指将计算、通信、存储资源迁移到更靠近终端用户的地方,以处理海量数据和任务。低延迟、可靠性、高移动性和地理分布的用户是边缘计算的主要特点,使其成为满足车载网络挑战的合适解决方案。边缘计算与车辆网络的集成称为车辆边缘计算(VEC),其中资源受限的车辆将延迟敏感和计算密集型任务卸载到边缘服务器。通过整合信息、通信、存储和智能技术,VEC可以将计算能力扩展到车联网边缘,在提高交通效率和增强道路安全方面发挥重要作用。
VEC可以按需提供灵活的计算资源和应用服务,这需要车辆传输必要的数据和任务需求,因此计算卸载技术至关重要。这些车辆可以通过将任务卸载到沿路的边缘服务器来显著减轻计算和路由的负担,从而提高资源利用率。然而,由于开放接入、动态网络拓扑和不安全的无线信道,在车辆卸载任务过程中的数据传输过程中可能存在一些安全风险和隐私泄露。道路上的车辆中可能存在潜在的攻击者或敌对车辆,并且由于资源有限且与蜂窝网络相比缺乏集中控制,VEC更容易受到威胁和攻击。如果数据和任务在没有任何加密措施的情况下以明文形式传输,肯定会存在安全风险。因此,应在车辆边缘环境中实施安全机制,以提供适当的机密性、完整性、真实性和更多保护。
VEC中计算卸载的关键问题是决策机制。车辆必须确定是将任务卸载到边缘服务器还是在本地计算。如果将任务卸载到边缘服务器比本地执行花费更多的时间和资源,并且信息安全受到威胁,那么就得不偿失了。而车载计算和无线传输资源的稀缺性对效率和安全强度的联合优化提出了挑战,因为安全方案消耗了过多的计算资源并导致了通信开销。由于对有限计算和网络资源的竞争,资源优化与更稳健的安全性之间存在矛盾。而对于VEC等动态时变应用场景,行驶速度、车辆和攻击者的密度、车道数等都会影响任务卸载的安全性。因此,卸载决策需要在时延和能耗约束下与资源分配和安全传输联合优化。
通过以上分析,可以总结出一些问题和缺陷,由于无线信道开放接入且不可靠的特性,因此对于车辆边缘计算场景需要实施一些适当的安全措施,以确保信息安全。然而,安全机制的运行占据了多余的计算资源,从而影响了车辆边缘计算系统的性能。车辆的计算和能源资源的稀缺性与时延和信息安全的任务要求相冲突。车辆边缘计算中有资源优化和计算卸载调度的解决方案,也有尝试考虑信息安全的解决方案。然而,很少考虑车载网络的特殊性,在时延和能量消耗的约束下,共同优化计算卸载中的资源分配和安全性。
在车辆边缘计算网络这种高动态、异构、车辆计算通信资源受限的情况下,信息安全容量难以衡量,行驶速度、车辆和攻击者的密度、车道数等都会影响任务卸载的安全性,根据车辆和边缘服务器所拥有的资源现状自适应地选择不同信息安全容量的强度,并且车辆决定是否将任务卸载到边缘是一个难点。
车辆边缘网络中的车辆能够根据自身所拥有的和边缘服务器的资源现状自适应地选择不同信息安全容量强度来进行任务的卸载,或选择本地执行。通过通信、计算、安全的资源分配,达到时延、能耗、安全联合优化的作用。可以节省车辆和边缘服务器的能源消耗,提高服务效率。
发明内容
鉴于此,本发明提供一种联合优化车辆边缘网络中计算卸载的安全与资源分配方法,以获得最佳的安全信息容量和本地计算延迟。
本发明公开了一种联合优化车辆边缘网络中计算卸载的安全与资源分配方法,包括:
步骤1:初始化卸载决策和数据块长度;
步骤2:根据所述卸载决策和所述数据块长度,得到传输功率、任务计算频率、加密计算频率和边缘计算频率;
步骤3:基于所述卸载决策、所述数据块长度、所述传输功率、所述任务计算频率、所述加密计算频率和所述边缘计算频率,确定目标值;
步骤4:根据设定的迭代次数阈值以及判断条件,重复执行步骤2和步骤3,直至得到联合优化后的所述卸载决策、所述数据块长度、所述传输功率、所述任务计算频率、所述加密计算频率、所述边缘计算频率。
进一步地,所述方法是一个迭代算法,其中所述步骤1至步骤4是一个外部的迭代算法,其迭代索引为m,迭代次数阈值为mmax;所述步骤2是内置的一个迭代算法,其迭代索引为t,最大迭代次数为tmax。
进一步地,所述步骤2包括:
根据卸载决策和数据块长度,采用拉格朗日对偶分解法与次梯度投影方法设计迭代算法得到传输功率、任务计算频率、加密计算频率和边缘计算频率。
进一步地,所述步骤2具体包括:
通过KKT条件,已知卸载决策x(m)=(xi(m))和数据块长度N(m)=(Ni(m)),得到传输功率p(t)=(pi(t))的求解式为:
其中,t为迭代算法的迭代索引,tmax为最大迭代次数,下标i表示车辆的索引号,Di为任务的数据大小,m为迭代索引;
得到边缘计算频率fe(t)=(fi e(t))的求解式为:
其中,λ={λ1,λ2,,…,λI}、μ={μ1,μ2,...,μI}、β={β1,β2,...,βI}、φ={φ1,φ2,...,φI}和分别车辆的拉格朗日对偶变量;I为总的车辆数;和是将两部分合并成一个目标公式的比例因子;和分别代表车辆i处理一个任务比特所需的平均CPU周期数、加密一个任务比特所需的平均CPU周期数和边缘服务器计算一个任务比特所需的平均CPU周期数;ki是基于芯片架构的有效开关电容。
进一步地,所述步骤3包括:
目标值的计算公式为:
其中,αi为第i个车辆和边缘服务器之间的通信连接状态,xi(m)为第i个车辆的卸载决策,Ni(m)为第i个车辆的数据块长度,pi(m)为第i个车辆的传输功率,fi c(m)为第i个车辆的任务计算频率,fi en(m)为第i个车辆的加密计算频率,fi e(m)为第i个车辆的边缘计算频率。
进一步地,所述步骤4包括:
步骤61:当执行次数m小于或等于所述设定的迭代次数阈值mmax时,根据所述传输功率、所述任务计算频率、所述加密计算频率和所述边缘计算频率,计算得到执行次数m时的所述卸载决策、所述数据块长度;
步骤62:根据得到的执行次数m时的所述卸载决策、所述数据块长度,得到所述执行次数m时的所述传输功率、所述任务计算频率、所述加密计算频率和所述边缘计算频率;
步骤63:基于所述执行次数m时的所述卸载决策、所述数据块长度、所述传输功率、所述任务计算频率、所述加密计算频率和所述边缘计算频率,计算所述执行次数m时的所述目标值;
步骤64:令m=m+1,重复执行步骤61至步骤63,当所述判断条件,即所述执行次数m+1时的所述目标值与所述执行次数m时的所述目标值之差的绝对值小于或等于预设精度时,输出联合优化后的所述卸载决策、所述数据块长度、所述传输功率、所述任务计算频率、所述加密计算频率、所述边缘计算频率。
进一步地,所述步骤61具体包括:
已知传输功率p(m)、任务计算频率fc(m)、加密计算频率fen(m)和边缘计算频率fe(m),得到N(m)=(Ni(m))的求解式为:
所述卸载决策的获取过程为:
其中,xi(m)为第i个车辆的第m次迭代的卸载决策。
进一步地,在所述步骤2中:
所述传输功率、所述任务计算频率、所述加密计算频率、所述边缘计算频率的计算过程为:
步骤82:设置最大迭代次数tmax和精度∈;
步骤83:初始化t=0;
步骤84:t≤tmax是否成立,如果成立,基于λ(t)、μ(t)、β(t)、φ(t)、和ψ(t)计算p(t)、fc(t)、fen(t)和fe(t),基于p(t)、fc(t)、fen(t)和fe(t)更新λ(t+1)、μ(t+1)、β(t+1)、φ(t+1)、和ψ(t+1);否则,p(m)=p(t)、fc(m)=fc(t)、fen(m)=fen(t)和fe(m)=fe(t);
步骤85:判断所有对偶变量的二范数是否小于∈,若是,得到p(m)=p(t)、fc(m)=fc(t)、fen(m)=fen(t)和fe(m)=fe(t);否则,更新t=t+1,重新执行步骤84;其中,p(m)为传输功率,fc(m)为任务计算频率,fen(m)为加密计算频率,fe(m)为边缘计算频率。
进一步地,在所述步骤2至所述步骤4中:
优化后的所述卸载决策、所述数据块长度、所述传输功率、所述任务计算频率、所述加密计算频率、所述边缘计算频率的计算过程为:
步骤91:设置迭代次数阈值mmax和精度ι;
步骤92:初始化m=0;
步骤93:根据x(0)和N(0),执行所述步骤2中的方法得到p(m)、fc(m)、fen(m)和fe(m);此时m=0;
步骤94:根据所述步骤3中的方法,计算获得目标值fo(0);
步骤95:m≤mmax是否成立;若是,根据所述步骤61获得卸载决策x(m)和数据块长度N(m);否则,获得最优的p*=p(m)、fc*=fc(m)、fen*=fen(m)、fe*=fe(m)、x*=x(m)和N*=N(m);其中,p*为传输功率,fc*为任务计算频率,fen*为加密计算频率,fe*为边缘计算频率;
步骤96:基于卸载决策x(m)和数据块长度N(m),执行所述步骤2中的方法得到p(m)、fc(m)、fen(m)和fe(m);
步骤97:根据所述步骤3中的方法,计算获得目标值fo(m);
步骤98:|fo(m)-fo(m-1)|≤ι,若是,获得最优的p*=p(m)、fc*=fc(m)、fen*=fen(m)、fe*=fe(m)、x*=x(m)和N*=N(m);否则,m=m+1,重新执行步骤95。
进一步地,所述步骤4还包括:
当执行次数m大于所述设定的迭代次数阈值时,即将所述步骤3中的所述卸载决策、所述数据块长度、所述传输功率、所述任务计算频率、所述加密计算频率、所述边缘计算频率作为联合优化后的所述卸载决策、所述数据块长度、所述传输功率、所述任务计算频率、所述加密计算频率、所述边缘计算频率。
进一步地,所述步骤4中的联合优化后的所述卸载决策、所述数据块长度、所述传输功率、所述任务计算频率、所述加密计算频率、所述边缘计算频率用于决定车辆是否将任务卸载到边缘服务器,实现本地资源以节省车辆的时间和精力,边缘计算资源来平衡边缘服务器提供的服务,以及数据块长度来影响传输帧的安全级别。
由于采用了上述技术方案,本发明具有如下的优点:
(1)本发明制定了一个max-min优化问题来联合优化卸载决策、传输功率、任务计算频率、加密计算频率、边缘计算频率和块长度,以获得最佳的安全信息容量和本地计算延迟。而且任务的时间延迟约束考虑了车辆的行驶速度和位置。
(2)本发明在任务执行延迟和能耗约束下,根据车辆的计算和通信资源以及边缘服务器的计算能力,做出最合适的卸载决策。因此道路上的车辆集合系统的整体性能是最佳的。我们将车辆中攻击者的模型和密度考虑到公式化问题中。
(3)仿真结果表明,我们提出的方法具有良好的收敛性和有效性,在车辆间的安全信息容量和本地计算延迟上达到了公平性。同时,与其他方案相比,本发明所提出的方案具有显着的性能优势。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的联合优化车辆边缘网络中计算卸载的安全与资源分配方法的总流程示意图;
图2是本发明实施例提供的获取传输功率、任务计算频率、加密计算频率、边缘计算频率的流程示意图;
图3是本发明方法应用的一个场景示意图;
图4是在不同的攻击者密度ρ和车道数Nl下的目标值变化示意图;
图5表示平均目标值、最差目标值和最佳目标值的比较示意图;
图6表明道路上不同车辆数I对目标值的影响示意图;
图7表示在不同的最大本地计算频率Floc下的目标值变化示意图;
图8表示不同最大块长度Nf对目标值的影响示意图;
图9表示在不同的传输条件α下选择用于本地计算的车辆数占所有车辆的百分比示意图。
具体实施方式
结合附图和实施例对本发明作进一步说明,显然,所描述的实施例仅是本发明实施例一部分实施例,而不是全部的实施例。本领域普通技术人员所获得的所有其他实施例,都应当属于本发明实施例保护的范围。
实施例一
本发明提供了一种联合优化车辆边缘网络中计算卸载的安全与资源分配方法的实施例,其包括:
步骤1:初始化卸载决策和数据块长度;
步骤2:根据卸载决策和数据块长度,得到传输功率、任务计算频率、加密计算频率和边缘计算频率;
步骤3:基于卸载决策、数据块长度、传输功率、任务计算频率、加密计算频率和边缘计算频率,确定目标值;
步骤4:根据设定的迭代次数阈值以及判断条件,重复执行步骤2和步骤3,直至得到联合优化后的卸载决策、数据块长度、传输功率、任务计算频率、加密计算频率、边缘计算频率。
本实施例中,方法是一个迭代算法,其中步骤1至步骤4是一个外部的迭代算法,其迭代索引为m,迭代次数阈值为mmax;步骤2是内置的一个迭代算法,其迭代索引为t,最大迭代次数为tmax。
本实施例中,步骤2包括:
根据卸载决策和数据块长度,采用拉格朗日对偶分解法与次梯度投影方法设计迭代算法得到传输功率、任务计算频率、加密计算频率和边缘计算频率。
本实施例中,步骤2具体包括:
通过KKT条件,已知卸载决策x(m)=(xi(m))和数据块长度N(m)=(Ni(m)),得到传输功率p(t)=(pi(t))的求解式为:
其中,t为迭代算法的迭代索引,tmax为最大迭代次数,下标i表示车辆的索引号,Di为任务的数据大小,m为迭代索引;
得到边缘计算频率fe(t)=(fi e(t))的求解式为:
其中,λ={λ1,λ2,,…,λI}、μ={μ1,μ2,...,μI}、β={β1,β2,...,βI}、φ={φ1,φ2,...,φI}和分别车辆的拉格朗日对偶变量;I为总的车辆数;和是将两部分合并成一个目标公式的比例因子;和分别代表车辆i处理一个任务比特所需的平均CPU周期数、加密一个任务比特所需的平均CPU周期数和边缘服务器计算一个任务比特所需的平均CPU周期数;ki是基于芯片架构的有效开关电容。
本实施例中,步骤3包括:
目标值的计算公式为:
其中,αi为第i个车辆和边缘服务器之间的通信连接状态,xi(m)为第i个车辆的卸载决策,Ni(m)为第i个车辆的数据块长度,pi(m)为第i个车辆的传输功率,fi c(m)为第i个车辆的任务计算频率,fi en(m)为第i个车辆的加密计算频率,fi e(m)为第i个车辆的边缘计算频率。
本实施例中,步骤4包括:
步骤61:当执行次数m小于或等于设定的迭代次数阈值mmax时,根据传输功率、任务计算频率、加密计算频率和边缘计算频率,计算得到执行次数m时的卸载决策、数据块长度;
步骤62:根据得到的执行次数m时的卸载决策、数据块长度,得到执行次数m时的传输功率、任务计算频率、加密计算频率和边缘计算频率;
步骤63:基于执行次数m时的卸载决策、数据块长度、传输功率、任务计算频率、加密计算频率和边缘计算频率,计算执行次数m时的目标值;
步骤64:令m=m+1,重复执行步骤61至步骤63,当判断条件,即执行次数m+1时的目标值与执行次数m时的目标值之差的绝对值小于或等于预设精度时,输出联合优化后的卸载决策、数据块长度、传输功率、任务计算频率、加密计算频率、边缘计算频率。
本实施例中,步骤61具体包括:
已知传输功率p(m)、任务计算频率fc(m)、加密计算频率fen(m)和边缘计算频率fe(m),得到N(m)=(Ni(m))的求解式为:
卸载决策的获取过程为:
其中,xi(m)为第i个车辆的第m次迭代的卸载决策。
本实施例中,在步骤2中:
传输功率、任务计算频率、加密计算频率、边缘计算频率的计算过程为:
步骤82:设置最大迭代次数tmax和精度∈;
步骤83:初始化t=0;
步骤84:t≤tmax是否成立,如果成立,基于λ(t)、μ(t)、β(t)、φ(t)、和Ψ(t)计算p(t)、fc(t)、fen(t)和fe(t),基于p(t)、fc(t)、fen(t)和fe(t)更新λ(t+1)、μ(t+1)、β(t+1)、φ(t+1)、和Ψ(t+1);否则,p(m)=p(t)、fc(m)=fc(t)、fen(m)=fen(t)和fe(m)=fe(t);
步骤85:判断所有对偶变量的二范数是否小于∈,若是,得到p(m)=p(t)、fc(m)=fc(t)、fen(m)=fen(t)和fe(m)=fe(t);否则,更新t=t+1,重新执行步骤84;其中,p(m)为传输功率,fc(m)为任务计算频率,fen(m)为加密计算频率,fe(m)为边缘计算频率。
本实施例中,在步骤2至步骤4中:
优化后的卸载决策、数据块长度、传输功率、任务计算频率、加密计算频率、边缘计算频率的计算过程为:
步骤91:设置迭代次数阈值mmax和精度ι;
步骤92:初始化m=0;
步骤93:根据x(0)和N(0),执行步骤2中的方法得到p(m)、fc(m)、fen(m)和fe(m);此时m=0;
步骤94:根据步骤3中的方法,计算获得目标值fo(0);
步骤95:m≤mmax是否成立;若是,根据步骤61获得卸载决策x(m)和数据块长度N(m);否则,获得最优的p*=p(m)、fc*=fc(m)、fen*=fen(m)、fe*=fe(m)、x*=x(m)和N*=N(m);其中,p*为传输功率,fc*为任务计算频率,fen*为加密计算频率,fe*为边缘计算频率;
步骤96:基于卸载决策x(m)和数据块长度N(m),执行步骤2中的方法得到p(m)、fc(m)、fen(m)和fe(m);
步骤97:根据步骤3中的方法,计算获得目标值fo(m);
步骤98:|fo(m)-fo(m-1)|≤ι,若是,获得最优的p*=p(m)、fc*=fc(m)、fen*=fen(m)、fe*=fe(m)、x*=x(m)和N*=N(m);否则,m=m+1,重新执行步骤95。
本实施例中,步骤4还包括:
当执行次数m大于设定的迭代次数阈值时,即将步骤3中的卸载决策、数据块长度、传输功率、任务计算频率、加密计算频率、边缘计算频率作为联合优化后的卸载决策、数据块长度、传输功率、任务计算频率、加密计算频率、边缘计算频率。
本实施例中,步骤4中的联合优化后的卸载决策、数据块长度、传输功率、任务计算频率、加密计算频率、边缘计算频率用于决定车辆是否将任务卸载到边缘服务器,实现本地资源以节省车辆的时间和精力,边缘计算资源来平衡边缘服务器提供的服务,以及数据块长度来影响传输帧的安全级别。
实施例二
如图1所示,本发明提供的联合优化车辆边缘网络中计算卸载的安全与资源分配方法总流程包括以下步骤:
Step 1:初始化卸载决策x(0)和数据块长度N(0);
Step 2:设置迭代最大次数mmax和精度ι;
Step3:初始化m=0;
Step 4:根据x(0)和N(0),基于拉格朗日对偶分解法获得传输功率p(0)、任务计算频率fc(0)、加密计算频率fen(0)和边缘计算频率fe(0)的解;
Step 5:计算获取目标值f0(0);
Step6:当m≤mmax时,根据p(m)、fc(m)、fen(m)和fe(m)计算得到x(m+1)和N(m+1);否则得到最优传输功率p*=p(m)、最优任务计算频率fc*=fc(m)、最优加密计算频率fen*=fen(m)、最优边缘计算频率fe*=fe(m)、最优卸载决策x*=x(m)和最优数据块长度N*=N(m);
Step 7:根据x(m+1)和N(m+1)获取p(m+1)、fc(m+1)、fen(m+1)和fe(m+1);
Step 8:计算获取目标值f0(m+1);
Step 9:如果|f0(m+1)-f0(m)|<ι,得到最优传输功率p*=p(m+1)、最优任务计算频率fc*=fc(m+1)、最优加密计算频率fen*=fen(m+1)、最优边缘计算频率fe*=fe(m+1)、最优卸载决策x*=x(m+1)和最优数据块长度N*=N(m+1);否则,更新m=m+1,重新从Step6执行;
如图2所示,本发明实施例提供的获取传输功率、任务计算频率、加密计算频率、边缘计算频率的步骤如下:
Step 2:设置最大迭代次数tmax和精度∈;
Step 3:初始化t=0;
Step 4:等式t≤tmax是否成立,如果成立,基于λ(t)、μ(t)、β(t)、φ(t)、和ψ(t)计算p(t)、fc(t)、fen(t)和fe(t);基于p(t)、fc(t)、fen(t)和fe(t)计算λ(t+1)、μ(t+1)、β(t+1)、φ(t+1)、和ψ(t+1);否则,得到最优p*、fc*、fen*和fe(t);
Step 5:对偶变量的二范数是否小于∈,若是,得到最优p*、fc*、fen*和fe(t);否则,更新t=t+1,重新执行Step 4。
如图3所示,是本发明方法应用的一个场景图。道路上的每辆车都有需要处理的计算任务,例如地图识别和导航驾驶。具有严格延迟和安全要求的应用程序应在本地计算或卸载到边缘服务器,而不是上传到远程云中心。但卸载任务意味着更严重的安全风险和隐私泄露。道路上的其他车辆可以访问发送车辆通信范围内的信息,因此需要适当的加密来保护卸载传输中的数据。我们考虑在繁忙的城市道路上覆盖一组移动车辆的边缘服务器,并可以为卸载任务提供计算服务。在发送车辆卸载任务时,数据可能会被路上的其他恶意车辆接收到,造成安全隐患,因此需要使用实用的分组密码来保护信息。与其他非对称加密相比,对称加密算法简单、快速、高效,适用于车载边缘计算场景。
下面结合仿真对本发明的技术效果做详细的描述。
如图4所示,随着车辆集合中攻击者的密度ρ越来越大,卸载传输过程的风险变得更高,因此作为卸载计算优化目标的任务传输的安全信息容量将降低。同样,当道路的车道Nl数量增加时,攻击车辆数量不断增加的可能性也会增加。因此,八车道的目标值低于四车道和六车道,安全信息容量也较低。
本发明联合优化了一些变量并随机选择了剩余的变量,以突出所提出方案的优势。实验设定了以下方案:(1)RTCF随机选择任务计算频率。其余变量进行了优化,例如加密计算频率、传输功率、边缘计算频率、传输块长度和车辆卸载决策。(2)RCOR随机选择计算卸载资源,例如加密计算频率、传输功率和边缘计算频率。其余变量进行了优化,例如任务计算频率、传输块长度和车辆卸载决策。(3)RTBL随机选择传输块长度。其余变量被优化,例如发射功率、任务计算频率、加密计算频率、边缘计算频率和车辆卸载决策。(4)RVOD随机选择车辆卸载决策。其余变量被优化,例如发射功率、任务计算频率、加密计算频率、边缘计算频率和传输块长度。
在图5中,我们比较了本发明的本地计算和边缘计算中的最小、平均和最大目标值,PTCF、PCOR、RTBL和RVOD,分别对应车辆集合中最差、平均和最佳的优化。在边缘计算中,目标值越高,信息容量越大,本地计算中目标值越高,本地计算延迟越低。可以看出,本发明实现了更好的性能,并且在车辆集合中的最佳和最差性能之间取得了平衡。PCOR随机选择加密计算频率、发射功率和边缘计算频率,所以边缘计算性能差异不明显。
从图6可以看出,车辆集合中的最小目标值ζ随车辆数量的不同而变化。随着车辆数量的增加,无论是本地计算还是边缘计算,ζ都会减小。这是因为可能包括各种条件和性能的车辆,最小的目标值ζ可能随着车辆数量的增加而达到较小的值。然而,本发明所提出的方案仍然比其他方案具有更好的性能。也可以看到,传输块长度的优化是非常有必要的,这样可以大大提高性能。
图7表示在不同的最大本地计算频率Floc下的最小目标值变化。与其他方案相比,本发明所提出的方案获得了ζ的最大值。随着最大本地计算频率变大,fc的范围值变大,其最优值变大。因此ζ对于本地计算变得更大。对于边缘计算,随着fen变大,取p的自由度变大,允许取更小的值,因此ζ变得更小。但是,由于PCOR方案随机选择计算卸载资源,例如加密计算频率、传输功率和边缘计算频率,因此Floc对整体没有显著影响。
图8显示了车辆集合中的最小目标值ζ随着不同的最大块长度Nf的变化。当时,最优块长度取决于攻击车辆的数量,与Nf无关,传输块长度Nf越大,车辆的安全强度越低,从而降低安全信息容量和目标值。PCOR随机选择三个变量,因此性能最差。虽然这是边缘计算的情况,但相比传输块长度和车辆卸载决策的优化,任务计算频率的优化收益更高,它通过卸载决策影响计算卸载的过程。
图9表示随着连接状态α的变化,车辆集合中决定在进行本地计算的车辆比例的趋势。从两张图片可以看出,随着连接状态的好转,车辆更愿意将任务卸载到边缘服务器。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种联合优化车辆边缘网络中计算卸载的安全与资源分配方法,其特征在于,包括:
步骤1:初始化卸载决策和数据块长度;
步骤2:根据所述卸载决策和所述数据块长度,得到传输功率、任务计算频率、加密计算频率和边缘计算频率;
步骤3:基于所述卸载决策、所述数据块长度、所述传输功率、所述任务计算频率、所述加密计算频率和所述边缘计算频率,确定目标值;
步骤4:根据设定的迭代次数阈值以及判断条件,重复执行步骤2和步骤3,直至得到联合优化后的所述卸载决策、所述数据块长度、所述传输功率、所述任务计算频率、所述加密计算频率、所述边缘计算频率;
所述步骤2具体包括:
通过KKT条件,已知卸载决策x(m)=(xi(m))和数据块长度N(m)=(Ni(m)),得到传输功率p(t)=(pi(t))的求解式为:
得到边缘计算频率fe(t)=(fi e(t))的求解式为:
其中,λ={λ1,λ2,,…,λI}、μ={μ1,μ2,...,μI}、β={β1,β2,...,βI}、φ={φ1,φ2,...,φI}和分别车辆的拉格朗日对偶变量;I为总的车辆数;和是将两部分合并成一个目标公式的比例因子;和分别代表车辆i处理一个任务比特所需的平均CPU周期数、加密一个任务比特所需的平均CPU周期数和边缘服务器计算一个任务比特所需的平均CPU周期数;ki是基于芯片架构的有效开关电容;
所述步骤3包括:
目标值的计算公式为:
其中,αi为第i个车辆和边缘服务器之间的通信连接状态,xi(m)为第i个车辆的卸载决策,Ni(m)为第i个车辆的数据块长度,pi(m)为第i个车辆的传输功率,fi c(m)为第i个车辆的任务计算频率,fi en(m)为第i个车辆的加密计算频率,fi e(m)为第i个车辆的边缘计算频率;
所述步骤4包括:
步骤61:当执行次数m小于或等于所述设定的迭代次数阈值nmax时,根据所述传输功率、所述任务计算频率、所述加密计算频率和所述边缘计算频率,计算得到执行次数m时的所述卸载决策、所述数据块长度;
步骤62:根据得到的执行次数m时的所述卸载决策、所述数据块长度,得到所述执行次数m时的所述传输功率、所述任务计算频率、所述加密计算频率和所述边缘计算频率;
步骤63:基于所述执行次数m时的所述卸载决策、所述数据块长度、所述传输功率、所述任务计算频率、所述加密计算频率和所述边缘计算频率,计算所述执行次数m时的所述目标值;
步骤64:令m=m+1,重复执行步骤61至步骤63,当所述判断条件,即所述执行次数m+1时的所述目标值与所述执行次数m时的所述目标值之差的绝对值小于或等于预设精度时,输出联合优化后的所述卸载决策、所述数据块长度、所述传输功率、所述任务计算频率、所述加密计算频率、所述边缘计算频率。
2.根据权利要求1所述的方法,其特征在于,所述方法是一个迭代算法,其中所述步骤1至步骤4是一个外部的迭代算法,其迭代索引为n,迭代次数阈值为nmax;所述步骤2是内置的一个迭代算法,其迭代索引为t,最大迭代次数为tmax。
3.根据权利要求1所述的方法,其特征在于,所述步骤2包括:
根据卸载决策和数据块长度,采用拉格朗日对偶分解法与次梯度投影方法设计迭代算法得到传输功率、任务计算频率、加密计算频率和边缘计算频率。
5.根据权利要求1所述的方法,其特征在于,在所述步骤2中:
所述传输功率、所述任务计算频率、所述加密计算频率、所述边缘计算频率的计算过程为:
步骤82:设置最大迭代次数tmax和精度∈;
步骤83:初始化t=0;
步骤84:t≤tmax是否成立,如果成立,基于λ(t)、μ(t)、β(t)、φ(t)、和ψ(t)计算p(t)、fc(t)、fen(t)和fe(t),基于p(t)、fc(t)、fen(t)和fe(t)更新λ(t+1)、μ(t+1)、β(t+1)、φ(t+1)、和ψ(t+1);否则,p(m)=p(t)、fc(m)=fc(t)、fen(m)=fen(t)和fe(m)=fe(t);
步骤85:判断所有对偶变量的二范数是否小于∈,若是,得到p(m)=p(t)、fc(m)=fc(t)、fen(m)=fen(t)和fe(m)=fe(t);否则,更新t=t+1,重新执行步骤84;其中,p(m)为传输功率,fc(m)为任务计算频率,fen(m)为加密计算频率,fe(m)为边缘计算频率。
6.根据权利要求1所述的方法,其特征在于,在所述步骤2至所述步骤4中:
优化后的所述卸载决策、所述数据块长度、所述传输功率、所述任务计算频率、所述加密计算频率、所述边缘计算频率的计算过程为:
步骤91:设置迭代次数阈值mmax和精度ι;
步骤92:初始化m=0;
步骤93:根据x(0)和N(0),执行所述步骤2中的方法得到p(m)、fc(m)、fen(m)和fe(m);此时m=0;
步骤94:根据所述步骤3中的方法,计算获得目标值fo(0);
步骤95:m≤mmax是否成立;若是,根据所述步骤61获得卸载决策x(m)和数据块长度N(m);否则,获得最优的p*=p(m)、fc*=fc(m)、fen*=fen(m)、fe*=fe(m)、x*=x(m)和N*=N(m);其中,p*为传输功率,fc*为任务计算频率,fen*为加密计算频率,fe*为边缘计算频率;
步骤96:基于卸载决策x(m)和数据块长度N(m),执行所述步骤2中的方法得到p(m)、fc(m)、fen(m)和fe(m);
步骤97:根据所述步骤3中的方法,计算获得目标值fo(m);
步骤98:|fo(m)-fo(m-1)|≤ι,若是,获得最优的p*=p(m)、fc*=fc(m)、fen*=fen(m)、fe*=fe(m)、x*=x(m)和N*=N(m);否则,m=m+1,重新执行步骤95。
7.根据权利要求1至3中任一项所述的方法,其特征在于,所述步骤4还包括:
当执行次数m大于所述设定的迭代次数阈值时,即将所述步骤3中的所述卸载决策、所述数据块长度、所述传输功率、所述任务计算频率、所述加密计算频率、所述边缘计算频率作为联合优化后的所述卸载决策、所述数据块长度、所述传输功率、所述任务计算频率、所述加密计算频率、所述边缘计算频率。
8.根据权利要求1所述的方法,其特征在于,所述步骤4中的联合优化后的所述卸载决策、所述数据块长度、所述传输功率、所述任务计算频率、所述加密计算频率、所述边缘计算频率用于决定车辆是否将任务卸载到边缘服务器,实现本地资源以节省车辆的时间和精力,边缘计算资源来平衡边缘服务器提供的服务,以及数据块长度来影响传输帧的安全级别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210660824.6A CN115086316B (zh) | 2022-06-13 | 2022-06-13 | 联合优化车辆边缘网络中计算卸载的安全与资源分配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210660824.6A CN115086316B (zh) | 2022-06-13 | 2022-06-13 | 联合优化车辆边缘网络中计算卸载的安全与资源分配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115086316A CN115086316A (zh) | 2022-09-20 |
CN115086316B true CN115086316B (zh) | 2023-03-14 |
Family
ID=83251547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210660824.6A Active CN115086316B (zh) | 2022-06-13 | 2022-06-13 | 联合优化车辆边缘网络中计算卸载的安全与资源分配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115086316B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111124666A (zh) * | 2019-11-25 | 2020-05-08 | 哈尔滨工业大学 | 一种移动物联网中的高效、安全的多用户多任务卸载方法 |
CN112532676A (zh) * | 2020-07-24 | 2021-03-19 | 北京航空航天大学 | 一种基于区块链数据共享的车辆计算任务卸载方法 |
CN112911587A (zh) * | 2021-01-26 | 2021-06-04 | 南京邮电大学 | Mec-d2d环境下利用物理层安全防窃听任务卸载方法 |
CN113727362A (zh) * | 2021-05-31 | 2021-11-30 | 南京邮电大学 | 一种基于深度强化学习的无线供电系统的卸载策略方法 |
CN113795026A (zh) * | 2021-08-02 | 2021-12-14 | 西安电子科技大学 | 边缘计算网络中计算卸载的认证安全级别和资源优化方法 |
CN114356545A (zh) * | 2021-12-07 | 2022-04-15 | 重庆邮电大学 | 一种面向隐私保护与能耗优化的任务卸载方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113873525A (zh) * | 2021-09-28 | 2021-12-31 | 福建师范大学 | 一种超密集边缘计算网络的任务卸载方法及终端 |
-
2022
- 2022-06-13 CN CN202210660824.6A patent/CN115086316B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111124666A (zh) * | 2019-11-25 | 2020-05-08 | 哈尔滨工业大学 | 一种移动物联网中的高效、安全的多用户多任务卸载方法 |
CN112532676A (zh) * | 2020-07-24 | 2021-03-19 | 北京航空航天大学 | 一种基于区块链数据共享的车辆计算任务卸载方法 |
CN112911587A (zh) * | 2021-01-26 | 2021-06-04 | 南京邮电大学 | Mec-d2d环境下利用物理层安全防窃听任务卸载方法 |
CN113727362A (zh) * | 2021-05-31 | 2021-11-30 | 南京邮电大学 | 一种基于深度强化学习的无线供电系统的卸载策略方法 |
CN113795026A (zh) * | 2021-08-02 | 2021-12-14 | 西安电子科技大学 | 边缘计算网络中计算卸载的认证安全级别和资源优化方法 |
CN114356545A (zh) * | 2021-12-07 | 2022-04-15 | 重庆邮电大学 | 一种面向隐私保护与能耗优化的任务卸载方法 |
Non-Patent Citations (4)
Title |
---|
Jiming Yao ; .A Secure Data Transmission Method for Power 5G Edge Computing Scenarios.《2021 13th International Conference on Wireless Communications and Signal Processing (WCSP)》.2021,1-5. * |
卫星辅助车联网的任务卸载与资源管理技术研究;龙娅婷;《中国优秀硕士学位论文全文数据库》;第1-70页 * |
车载边缘计算中任务卸载和服务缓存的联合智能优化;刘雷1陈晨,冯杰,裴庆祺,何辞,窦志斌;《通信学报》;第18-26页 * |
车载边缘计算卸载技术研究综述;刘雷,陈晨,冯杰,肖婷婷,裴庆祺;《电子学报》;第861-871页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115086316A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dai et al. | Joint load balancing and offloading in vehicular edge computing and networks | |
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 | |
CN111245539A (zh) | 一种基于noma的移动边缘计算网络高效资源分配方法 | |
Wang et al. | A high reliable computing offloading strategy using deep reinforcement learning for iovs in edge computing | |
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 | |
CN112272390B (zh) | 基于物理层的任务卸载及带宽分配的处理方法和系统 | |
Tan et al. | Joint offloading and resource allocation based on UAV-assisted mobile edge computing | |
CN112333702A (zh) | 一种基于安全noma移动边缘计算的延迟最小化的优化方法 | |
CN112911587B (zh) | Mec-d2d环境下利用物理层安全防窃听任务卸载方法 | |
Wei et al. | Optimal offloading in fog computing systems with non-orthogonal multiple access | |
CN116208619A (zh) | 一种智能反射表面辅助的车联网安全计算卸载方法、系统、设备及介质 | |
CN114626298A (zh) | 无人机辅助车联网中高效缓存和任务卸载的状态更新方法 | |
CN114189521A (zh) | 在f-ran架构中协作计算卸载的方法 | |
Li et al. | Latency and task loss probability for NOMA assisted MEC in mobility-aware vehicular networks | |
Wang et al. | Research on V2I/V2V hybrid multi-hop edge computing offloading algorithm in IoV environment | |
CN115086316B (zh) | 联合优化车辆边缘网络中计算卸载的安全与资源分配方法 | |
CN113938997B (zh) | 一种noma物联网中安全mec系统的资源分配方法 | |
CN113573280B (zh) | 一种车辆边缘计算成本效益优化方法、系统、设备、终端 | |
CN116367310A (zh) | 面向移动边缘计算的最大增益导向的信道分配方法 | |
KR102443657B1 (ko) | 하향 링크 보안 비직교 다중 접속 네트워크 환경에서 보안성능 향상을 위한 최적의 불규칙적인 가우시안 신호 설계 방법 및 그 시스템 | |
CN112203309B (zh) | 一种基于服务器协作的联合任务卸载及缓存方法 | |
Yang et al. | Federated learning-based power control and computing for mobile edge computing system | |
Yang et al. | Energy Sensitive Binary Offloading for reconfigurable-intelligent-surface-assisted wireless powered mobile edge computing | |
Zhang et al. | Transfer Learning Empowered Resource Allocation for Vehicular Edge Computing | |
CN112787811A (zh) | 一种针对雾计算物联网物理层安全的混合资源配置方法 |
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 |