CN115243285A - 一种基于无人机网络的安全计算卸载方法 - Google Patents

Abstract

本发明公开的一种基于无人机网络的安全计算卸载方法，属于无线通信中的计算资源分配技术领域。本发明通过移动边缘计算与区块链技术，为移动用户提供安全的计算卸载策略；通过上述架构，建立联合优化用户关联、无人机轨迹、区块处理器调度和计算资源分配的优化问题。为了有效求解该非凸问题，首先对联合优化问题中耦合的优化变量进行解耦，然后将优化问题分解为多个子问题，并利用块坐标下降，连续凸近似等算法来对子问题进行求解。本发明适用于应急通信等领域，通过联合优化用户关联、无人机轨迹、区块处理器调度和计算资源分配策略，最小化计算任务能耗和区块链任务完成延迟加权和，减少无人机任务能耗，提升无人机任务调度效率。

Description

一种基于无人机网络的安全计算卸载方法

技术领域

本发明涉及一种基于无人机网络的安全计算卸载方法，属于无线通信中的计算资源分配技术领域。

背景技术

随着物联网(IoT)和5/6G无线通信技术的发展，移动设备的数量呈爆炸式增长，然而移动用户有限的电池电量和低计算能力使得处理计算密集型任务变得更加具有挑战性。幸运地是，由于移动边缘计算(MEC)技术的发展，移动用户的计算密集型任务可以卸载到MEC服务器进行处理，从而减轻移动用户处理这些任务的压力。MEC服务器通常放置在靠近移动用户的网络边缘，通过将计算密集型任务卸载到MEC服务器上，可以有效降低移动用户与MEC服务器之间的传输延迟和能耗。

为了有效解决传统的地面MEC网络无法在偏远地区或紧急情况下提供计算服务，且容易被台风、地震等自然灾害破坏的问题，工业界和学术界提出了无人机(UAV)辅助的MEC网络。无人机具有机动性可控、部署方便等特点，可有效扩大无线网络覆盖范围以及提高网络容量。通过将MEC技术引入无人机网络，可以为移动用户提供空中计算服务，协助移动用户处理计算任务。然而，由于无人机之间的信息交互以及移动用户(UE)与无人机之间计算任务的迁移，在计算卸载过程中可能会泄露移动用户的隐私。此外，考虑到无人机辅助的MEC网络一般用于紧急通信等临时组网场景，这些场景可能存在恶意无人机，使得移动用户的计算卸载数据被恶意的无人机滥用从而损害移动用户的利益。因此，如何确保空中计算中移动用户与无人机之间计算卸载的安全性和隐私性仍然是一个亟待解决问题。

在无人机网络中引入区块链技术可以为保障移动用户和无人机之间的计算卸载的安全性。与依赖第三方机构的传统数字账本方法不同，区块链是一种分布式账本技术。区块链具有去中心化、不可篡改、透明等特点，可以保证存储在区块链中的数据不被任何人篡改。因此，在无人机辅助的MEC网络中引入区块链技术可以确保移动用户与无人机在空中计算中计算卸载的安全性和隐私性。现有的一些工作已经研究了区块链技术在无人机辅助的MEC网络中的应用，以确保移动用户与无人机在空中计算中计算卸载的安全性和隐私性。在基于MEC与区块链的无人机网络中，无人机作为计算节点和区块链节点不仅需要处理计算任务，还需要处理区块链任务，使得网络的设计更加复杂。然而，现有的大部分工作在同时处理计算和区块链任务时没有考虑计算资源的分配；当无人机分配较少的计算资源来处理计算任务时，无人机处理计算任务的能量消耗变得过高；当无人机分配较少的计算资源来处理区块链任务时，区块链节点完成区块链任务处理的延迟可能会过高，这将影响区块生成的效率。因此，如何为计算和区块链任务分配合适的计算资源是一个重要的问题。此外，大多数现有工作都没有考虑网络的动态，例如无人机的轨迹。通过优化无人机的轨迹，使无人机更接近移动用户，能够有效降低移动用户与无人机之间的传输能耗。

发明内容

针对在无人机网络中引入MEC与区块链技术而导致的资源分配问题，本发明主要目的是提供一种基于无人机网络的安全计算卸载方法，通过联合优化用户关联、无人机轨迹、区块处理器调度和计算资源分配策略，最小化计算任务能耗和区块链任务完成延迟加权和，即基于无人机网络实现安全计算卸载，减少无人机任务能耗，提升无人机任务调度效率。

本发明的目的是通过以下技术方案实现的：

本发明公开的一种基于无人机网络的安全计算卸载方法，通过移动边缘计算与区块链技术，为移动用户提供一种安全的计算卸载策略；通过上述架构，建立联合优化用户关联、无人机轨迹、区块处理器调度和计算资源分配的优化问题。然而，所构建的优化问题是一个非凸问题。为了有效求解该问题，首先对联合优化问题中耦合的优化变量进行解耦，然后将优化问题分解为多个子问题，并利用块坐标下降，连续凸近似等算法来对子问题进行求解，以最小化计算任务能耗和区块链任务完成时延的加权和，即基于无人机网络实现安全计算卸载，减少无人机任务能耗，提升无人机任务调度效率。为了达到上述目的，本发明采取如下技术方案：

所述基于无人机网络的安全计算卸载方法，依托的无人机网络安全计算卸载架构中，包括K个移动用户(UE)和M个无人机(UAV)；

本发明公开的一种基于无人机网络的安全计算卸载方法，包含以下步骤：

步骤一：建立无人机网络系统的通信模型、计算卸载模型和区块链模型。

步骤1.1建立无人机网络系统的通信模型，具体为：

1)UAV飞行轨迹在相邻时隙间的约束为：

其中，

表示第m个UAV，

q_m(t)＝[u_m(t),v_m(t)]^T表示第m个UAV的水平坐标，其中t∈[0,T]，T为系统考虑的一段总连续时间，u_m(t)和v_m(t)分别表示UAV在水平坐标中两个坐标轴的位置，为了避免无人机在上升或下降过程中的额外功耗，设无人机的高度H不会随时间变化；将连续时间T分成等步长的N个时隙，每个时隙间隔为δ_t＝T/N，n∈N表示时隙序号，则第m个UAV在第n个时隙的水平坐标表示为q_m[n]＝[u_m[n],v_m[n]]^T，因此，第m个UAV的总飞行轨迹表示为

||q_m[n+1]-q_m[n]||表示第m个UAV第n个时隙坐标与第n+1个时隙坐标之间的距离；

D_max＝δ_tV_max表示UAV在每个时隙中可以移动的最大距离，V_max表示UAV的最大速度；

2)UAV飞行轨迹在无人机之间的距离约束为：

其中，q_m[n]表示第m个UAV的水平坐标，q_j[n]表示第j个UAV的水平坐标，

||q_m[n]-q_j[n]||²表示第m个UAV的水平坐标与第j个UAV的水平坐标之间距离的平方和，d_min表示无人机之间的最小安全距离；

3)第n个时隙第k个UE和第m个UAV之间的信道功率增益g_k,m[n]与传输速率R_k,m[n]分别为：

其中，d_k,m[n]表示第n个时隙第k个UE和第m个UAV之间的距离，β₀表示参考距离d₀＝1时的信道增益，H表示无人机相对地面的高度，w_k＝[u_k,v_k]^T表示移动用户k的水平位置，其中，u_k和v_k分别表示UE在水平坐标中两个坐标轴的位置；B_k表示分配给第k个UE的信道带宽，p_k表示第k个UE的传输功率，σ²表示噪声功率；

步骤1.2建立无人机网络系统的计算卸载模型，具体为：

1)第n个时隙时，第k个UE将计算任务卸载到第m个UAV之间的传输延迟

第k个UE的传输能量消耗

第m个UAV处理第k个UE的计算任务的延迟

以及第m个UAV处理第k个UE的计算任务的能耗

分别为：

其中，D_k[n]表示第k个UE在第n个时隙的输入计算任务大小，C_k[n]表示在第n个时隙中完成第k个UE的任务所需的CPU频率，因此第n个时隙中第k个UE的计算任务表示为

f_k,m[n]表示第n个时隙第m个UAV分配给第k个UE的CPU频率，用于处理第n个时隙中的计算任务，k_comp,m表示第m个UAV的有效能量系数；

2)每个时隙每个UE只能将一个计算任务卸载到UAV的约束条件为：

其中，a_k,m[n]＝1表示与第n个时隙与第m个UAV相关联的第k个UE，否则a_k,m[n]＝0；

3)根据1)表述在第n个时隙第k个UE的计算任务处理的总能耗E_k,m[n]与总延迟T_k,m[n]分别为：

步骤1.3建立无人机网络系统的区块链模型，具体为：

1)在第n个时隙第m个UAV的区块处理器生成新块的延迟为：

其中，

表示第n个时隙中处理内容的大小，Hash(·)为哈希函数，用于将计算任务和结果转换为哈希值，D_k,r[n]表示第n个时隙的计算结果，D_t[n]表示第n个时隙的加密文件；f_b,m[n]表示第n个时隙第m个UAV的区块处理器的计算能力，L_m[n]表示第n个时隙第m个UAV处理每比特数据所需的CPU频率；

2)在第n个时隙从第m个UAV的区块处理器到其他UAV的区块处理器的传输时间

与区块验证时间T^v[n]分别为：

其中，S_b[n]表示第n个时隙的处理块大小；R_m,m'[n]表示在第n个时隙从第m个UAV的区块处理器到第m'个UAV的区块处理器的传输速率，其中

表示在第n个时隙从第m个UAV的区块处理器到其他UAV的区块处理器的平均传输速率；

表示完成区块验证所需的计算能力(CPU周期/s)，f_v,m[n]表示第m'个UAV的区块处理器在第n个时隙中处理区块验证的计算能力(CPU周期/s)；

3)根据1)表述在第n个时隙第m个UAV的区块处理器完成内容处理的总延迟为：

其中，y_m[n]表示第n个时隙第m个UAV的区块处理器的指示变量，如果变量为1，则表示第n个时隙的内容由第m个UAV的区块处理器处理，否则为0；

步骤二：根据步骤一得到的无人机网络系统通信模型、计算卸载模型和区块链模型，建立无人机网络系统的总优化模型。

步骤2.1定义A＝(a_k,m[n])为第n个时隙UE与UAV的关联集合，Q＝(q_m[n])为第n个时隙UAV飞行轨迹集合，f₁＝(f_k,m[n])表示在无人机-MEC层第n个时隙UAV与UE间计算资源分配策略集合，y＝(y_m[n])表示第n个时隙区块处理器调度策略集合，f₂＝(f_b,m[n])表示在区块链层第n个时隙计算资源分配策略集合；

步骤2.2基于步骤一计算的无人机网络系统通信模型、计算卸载模型和区块链模型，构造以A，Q，f₁，y，f₂为联合优化变量，以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的优化模型，具体通过公式(16)所示的优化模型构造：

其中，

表示第k个UE，

表示第n个时隙，

表示第m个UAV，

表示权重因子，通过调整

的值可以动态控制计算任务的能耗和区块链任务的完成延迟之间的偏好；q₀与q_F分别表示UAV的初始坐标与最终坐标；τ_k表示第k个UE的最大可容忍时间延迟；F表示UAV的最大计算能力；

在优化问题(16)中，目标函数是计算任务的能量消耗和区块链任务的完成延迟的加权和，约束(C1)和(C2)分别对应于UAV的初始与最终的位置和速度限制，约束(C3)是UAV之间的安全距离限制，约束(C4)要求计算任务的处理延迟不能大于UE可容忍的最大阈值，(C5)和(C7)表示UE和UAV之间的关联约束，(C6)表示分配给计算任务和区块链任务的计算资源需要小于UAV的最大计算能力，(C8)和(C9)表示第n个时隙时由第m个UAV的区块处理器执行区块链任务的处理，(C10)表示f_k,m[n]与f_b,m[n]需要满足非负条件。

步骤三：将步骤二得到的以A，Q，f₁，y，f₂为联合优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的总优化模型转化为以A，Q为联合优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的优化模型；

将步骤2.2得到的以A，Q，f₁，y，f₂为联合优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的总优化模型(16)转化为以A，Q为联合优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的优化模型，具体包括如下子步骤：

步骤3.1基于给定的UAV与UE间的计算资源分配策略f_k,m与区块链层中的计算资源分配策略f_b,m，以及块处理器调度y_m[n]，将优化模型(16)转化为以UE-UAV的关联度A和UAV飞行轨迹Q为优化变量的优化模型(17)，具体为：

步骤3.2引入新的辅助变量t，并对

n进行松弛处理，将优化模型(17)转化为：

其中，t＝{t_k,m[n]}为辅助变量且满足t_k,m[n]≥(R_k,m[n])^-1。约束(C7)′表示松弛后UE和UAV之间的关联约束；

步骤3.3将问题(18)分解为UE-UAV关联度优化问题和UAV飞行轨迹优化问题两个子问题，具体为：

1)基于给定的UAV飞行轨迹Q和辅助变量t，将问题(18)转化为：

问题(19)的目标函数和约束相对于a_k,m[n]是凸的，因此是一个凸问题，可以通过标准的凸规划求解器解决；

2)基于给定的UE-UAV的关联A，将问题(18)转化为以UAV飞行轨迹Q和辅助变量t为优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的优化模型：

3)使用SCA方法，通过转化优化模型(20)中的约束(11)，将优化模型(20)改写为：

其中，约束(C11)转化为(t_k,m[n])^-1≤B_kφ_r{q_m[n]}；

其中，

e表示自然常数，

表示第r次迭代中第n个时隙第m个UAV的飞行轨迹；

问题(21)的目标函数和约束相对于Q和t是凸的，因此是一个凸问题；

步骤四：基于给定的Q，t，A，y，f₂，将总优化模型(16)转化为以f₁为优化变量的UAV-UE间计算资源分配优化问题并求解，具体包括如下子步骤：

步骤4.1基于给定的Q，t，A，y，f₂，将优化模型(16)转化为以f₁为优化变量的UAV-UE间计算资源分配优化问题(22)：

其中，约束(C10)′表示f_k,m[n]需要满足非负条件；

优化问题(22)的目标函数和约束相对于f₁是凸的,因此问题(22)可通过拉格朗日对偶法解决；

步骤4.2基于优化问题(22)的求得其部分拉格朗日函数为：

其中，μ＝(μ_m[n])是各约束变量对应的拉格朗日乘数；

步骤4.3基于优化问题(22)的部分拉格朗日函数得到其对偶问题为：

步骤4.4初始化μ与结果阈值τ，使用KKT条件得到最优的计算资源分配

为：

其中，

优化问题(24)的目标函数对于μ是单调递增的，因此得到

后使用二分法更新μ后继续根据式(25)计算

直至两次相邻的计算结果之差小于规定阈值τ；

步骤五：将步骤2.2得到的以A，Q，f₁，y，f₂为联合优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的总优化模型(16)转化为以y，f₂为联合优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的优化模型，具体包括如下子步骤：

步骤5.1基于给定的UE与UAV关联度A、UAV飞行轨迹Q和UAV与UE间的计算资源分配f₁，将优化模型(16)简化以为区块处理器的资源调度y与计算资源分配策略f₂为联合优化变量的优化问题(26)：

其中，

约束(C10)″表示f_b,m[n]需要满足非负条件；

步骤5.2将问题(26)分解为区块处理器的资源调度问题和区块处理器的计算资源分配策略问题两个子问题，具体为：

1)基于给定的区块处理器计算资源分配策略f₂，将问题(26)转化为以区块处理器的资源调度y为优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的优化模型：

(27)的目标函数是线性的，其最小值通常在端点处得到，因此块处理器调度

由式(28)求得：

其中，m^*＝{m″₁,m″₂,m″₃,...m″_N}表示每个时隙选择的区块处理器集合；

其中，m″_n表示第m个UAV的区块处理器在第n个时隙被选择，且m″_n满足

2)基于给定的区块处理器的资源调度y，将问题(26)转化为以区块处理器计算资源分配策略f₂为优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的优化模型：

其中，

表示第n个时隙选择的UAV区块处理器m″_n处理每比特数据所需的CPU频率；

表示第n个时隙选择的UAV区块处理器m″_n计算资源分配策略；

表示第n个时隙第k个UE和第n个时隙选择的UAV之间的信道传输速率；

表示第n个时隙选择的UAV与UE间计算资源分配策略；

因此，第n个时隙选择的UAV区块处理器m″_n的最优计算资源分配策略在静止点获得：

步骤六：基于步骤三、步骤四和步骤五中的优化模型(18)(24)(26)迭代求取第n个时隙的UE与UAV的关联度集合A，UAV飞行轨迹集合Q，UAV与UE间计算资源分配策略集合f₁，区块处理器调度策略集合y，区块处理器间计算资源分配策略集合f₂，包括如下子步骤：

步骤6.1设总优化模型(16)的迭代次数θ＝0与收敛阈值α＞0；

步骤6.2初始化块处理器调度y(0)，计算资源分配策略f₁(0)和f₂(0)；

步骤6.3基于f₁(0)、f₂(0)和y(0)，迭代求解子问题(19)(20)以获得优化后的UE-UAV关联度A(0)和UAV飞行轨迹Q(0)，具体为：

1)随机初始化无人机轨迹Q⁰(0)，设优化模型(18)的迭代次数l＝0与收敛阈值λ＞0；

2)设Q^l(0)＝Q⁰(0)，根据式(3)(4)与t_k,m[n]≥(R_k,m[n])^-1初始化t^l(0)，将优化模型(18)的目标函数表示为Θ(l)；

3)基于给定的{Q^l(0),t^l(0)}，使用常规凸优化方法求解优化模型(19)，得到A^l(0)；

4)基于给定的A^l，使用SCA方法通过迭代优化问题(21)求解优化模型(20)，得到{Q^{l +1}(0),t^l+1(0)}，具体为：

①初始化无人机轨迹Q⁽⁰⁾(0)，设优化模型(20)的迭代次数r＝0与收敛阈值ε＞0；

②设Q^(r)(0)＝Q⁽⁰⁾(0)，根据式(3)(4)与t_k,m[n]≥(R_k,m[n])^-1初始化t^(r)(0)，将优化模型(21)的目标函数表示为Ω(r)；

③基于给定的{Q^(r)(0),t^(r)(0)}，使用常规凸优化方法求解(21)，得到{Q^(r+1)(0),t^(r+1)(0)}；

④Q^(r)(0)＝Q^(r+1)(0)；

⑤如果|Ω(r)-Ω(r-1)|≤ε，输出收敛结果Q^l(0)＝Q^(r)(0)，t^l(0)＝t^(r)(0)；否则转至步骤③；

5)l＝l+1；

6)如果|Θ(l)-Θ(l-1)|≤λ，输出收敛结果Q(0)＝Q^l(0)，t(0)＝t^l(0)，A(0)＝A^l(0)；否则转至步骤3)；

步骤6.4将优化模型(16)的目标函数记为Φ(θ)，根据f₁(0)，f₂(0)，y(0)，A(0)，Q(0)计算Φ(0)；

步骤6.5θ＝θ+1；

步骤6.6基于f₁(θ-1)、f₂(θ-1)和y(θ-1)，迭代求解子问题(19)(20)以获得优化后的UE-UAV关联度A(θ)和UAV飞行轨迹Q(θ)，具体为：

1)随机初始化无人机轨迹Q⁰(θ)，设优化模型(18)的迭代次数l＝0与收敛阈值λ＞0；

2)设Q^l(θ)＝Q⁰(θ)，根据式(3)(4)与t_k,m[n]≥(R_k,m[n])^-1初始化t^l(θ)，将优化模型(18)的目标函数表示为Θ(l)；

3)基于给定的{Q^l(θ),t^l(θ)}，使用常规凸优化方法求解优化模型(19)，得到A^l(θ)；

4)基于给定的A^l，使用SCA方法通过迭代优化问题(21)求解优化模型(20)，得到{Q^{l +1}(θ),t^l+1(θ)}，具体为：

①初始化无人机轨迹Q⁽⁰⁾(θ)，设优化模型(20)的迭代次数r＝0与收敛阈值ε＞0；

②设Q^(r)(θ)＝Q⁽⁰⁾(θ)，根据式(3)(4)与t_k,m[n]≥(R_k,m[n])^-1初始化t^(r)(θ)，将优化模型(21)的目标函数表示为Ω(r)；

③基于给定的{Q^(r)(θ),t^(r)(θ)}，使用常规凸优化方法求解(21)，得到{Q^(r+1)(θ),t^(r+1)(θ)}；

④Q^(r)(θ)＝Q^(r+1)(θ)；

⑤如果|Ω(r)-Ω(r-1)|≤ε，输出收敛结果Q^l(θ)＝Q^(r)(θ)，t^l(θ)＝t^(r)(θ)；否则转至步骤③；

5)l＝l+1；

6)如果|Θ(l)-Θ(l-1)|≤λ，输出收敛结果Q(θ)＝Q^l(θ)，t(θ)＝t^l(θ)，A(θ)＝A^l(θ)；否则转至步骤3)；

步骤6.7使用基于A(θ)，Q(θ)，f₂(θ-1)，y(θ-1)的二分法得到计算资源分配f₁(θ)，具体为：

1)初始化μ与结果阈值τ，根据式(25)使用KKT条件得到最优的计算资源分配

2)使用二分法更新μ后根据式(25)再次计算

3)如果

两次相邻的计算结果之差小于规定阈值τ，则

否则转至步骤2)；

步骤6.8基于A(θ)，Q(θ)，f₂(θ-1)，f₁(θ)，根据(27)(28)得到区块处理器调度y(θ)；

步骤6.9基于A(θ)，Q(θ)，y(θ)，f₁(θ)，根据(29)得到区块处理器计算资源分配策略f₂(θ)；

步骤6.10根据A(θ)，Q(θ)，y(θ)，f₁(θ)，f₂(θ)计算Φ(θ)；

步骤6.11如果Φ(θ)两次相邻的计算值满足|Φ(θ)-Φ(θ-1)|≤α，输出{A,Q,y,f₁,f₂}＝{A(θ),Q(θ),y(θ),f₁(θ),f₂(θ)}；否则转至步骤6.5；

步骤七：将步骤六最后输出的{A,Q,y,f₁,f₂}应用于基于MEC与区块链的无人机网络安全空中计算架构中，使得无人机网络在保证安全性和隐私性的前提下实现计算任务能耗和区块链任务完成延迟的加权和最小化。

有益效果：

1、本发明公开的一种基于无人机网络的安全计算卸载方法，采用一种融合了MEC和区块链技术的无人机网络安全空中计算架构，无人机作为计算节点与区块链节点，能够同时执行计算任务和区块链任务，确保无人机与移动用户之间计算卸载的安全性和隐私性。

2、本发明公开的一种基于无人机网络的安全计算卸载方法，针对计算和区块链任务之间的计算资源分配与无人机的轨迹的联合优化需求，通过建立联合优化用户关联、无人机轨迹、区块处理器调度和计算资源分配的优化问题，实现计算任务能耗和区块链任务完成延迟的加权和最小化。

3、本发明公开的一种基于无人机网络的安全计算卸载方法，通过解耦联合优化问题中的耦合的优化变量，将优化问题分解为几个子问题，基于块坐标下降算法获得最优用户关联与基于连续凸近似方法优化无人机飞行轨迹，并基于二分法获得计算资源分配策略，实现无人机网络安全空中计算网络中用户与无人机节点之间的协调共存。

附图说明

图1为本发明公开的一种基于无人机网络的安全计算卸载方法流程图。

图2为本发明公开的一种基于无人机网络的安全计算卸载方法无人机网络安全空中计算网络系统模型场景图；

图3为本发明公开的一种基于无人机网络的安全计算卸载方法具体实施例中基于不同的UAV最大计算能力的大小，本发明提出的方法的区块链任务完成延迟性能结果图；

图4为本发明公开的一种基于无人机网络的安全计算卸载方法具体实施例中基于不同的计算任务所需的CPU周期，本发明提出的方法、WOCRA方法、WOUAV方法以及WOASS方法的计算任务能耗性能对比结果图。

具体实施方式

下面将结合附图和实施例对本发明加以详细说明。同时也叙述了本发明技术方案解决的技术问题及有益效果，需要指出的是，所描述的实施例仅旨在便于对本发明的理解，而对其不起任何限定作用。

实施例1

实施例1的场景主要参数有：UE个数K＝12，UAV个数M＝4，UE与UAV随机分布在大小为

的区域内，UAV高度H＝100m；第k个UE的发射功率p_k＝0.1W；信道带宽B＝1MHz；第k个UE的最大可容忍时间延迟τ_k＝100ms；噪声功率σ²＝-110dBm；UAV最大飞行速度V_max＝50m/s；每个时隙的持续时间δ_t＝0.5s；UAV的飞行高度H＝100m；信道增益功率β₀＝-60dB；UAV计算能力F＝2.5Gcycles/s；目标函数加权和中计算任务的能量消耗所占的权重因子

第m个UAV的有效能量系数k_comp,m＝10^-23；第n个时隙中的计算任务大小D_k[n]∈{2000KB,3500KB}；计算任务所需的CPU周期C_k[n]＝200Mcycles/s；第n个时隙中处理内容的大小I_b[n]＝2KB；第n个时隙中的区块大小S_b[n]＝3MB；第n个时隙第m个UAV处理每比特数据所需的CPU频率L_m[n]＝737.5cycles/bit。

如图1所示，本实施例公开的一种基于无人机网络的安全计算卸载方法，具体实现步骤如下：

步骤A：建立无人机网络系统的通信模型、计算卸载模型和区块链模型；

步骤A.1根据式(1)(2)(3)建立无人机网络系统的通信模型；

步骤A.2根据式(5)(6)(7)(8)(9)(10)(11)建立无人机网络系统的计算卸载模型；

步骤A.3根据式(12)(13)(14)(15)建立无人机网络系统的区块链模型；

步骤B：根据步骤A得到的无人机网络系统通信模型、计算卸载模型和区块链模型，建立系统的总优化模型；

步骤B.1定义A＝(a_k,m[n])为第n个时隙UE与UAV的关联度集合，Q＝(q_m[n])为第n个时隙UAV飞行轨迹集合，f₁＝(f_k,m[n])为第n个时隙UAV与UE间计算资源分配策略集合，y＝(y_m[n])表示第n个时隙区块处理器调度策略集合，f₂＝(f_b,m[n])表示第n个时隙区块处理器间计算资源分配策略集合；

步骤B.2基于步骤A计算的无人机网络系统通信模型、计算卸载模型以及区块链模型，构造以A，Q，f₁，y，f₂为联合优化变量，以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的优化模型，具体通过公式(16)所示的优化模型构造；

步骤C：将步骤B.2得到的以A，Q，f₁，y，f₂为联合优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的总优化模型(16)转化为以A，Q为联合优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的优化模型，具体包括如下子步骤：

步骤C.1基于给定的UAV与UE间的计算资源分配策略f_k,m与区块链层中的计算资源分配策略f_b,m，以及块处理器调度y_m[n]，将优化模型(16)转化为以UE-UAV的关联度A和UAV飞行轨迹Q为优化变量的优化模型(17)；

步骤C.2引入新的辅助变量t，并对

n进行松弛处理，将优化模型(17)转化为问题(18)；

步骤C.3将问题(18)分解为UE-UAV关联度优化问题和UAV飞行轨迹优化问题两个子问题，具体为：

1)基于给定的UAV飞行轨迹Q和辅助变量t，将问题(18)转化为以UE-UAV的关联度A为优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的优化模型(19)；

2)基于给定的UE-UAV的关联度A，将问题(18)转化为以UAV飞行轨迹Q和辅助变量t为优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的优化模型(20)；

3)使用SCA方法，通过转化优化模型(20)中的约束(11)，将式(20)改写为式(21)；

步骤D：基于给定的Q，t，A，y，f₂，将总优化模型(16)转化为以f₁为优化变量的UAV-UE间计算资源分配优化问题并求解；

步骤D.1基于给定的Q，t，A，y，f₂，将优化模型(16)转化为以f₁为优化变量的UAV-UE间计算资源分配优化问题(22)；

步骤D.2基于优化问题(22)的求得其部分拉格朗日函数为式(23)；

步骤D.3基于优化问题(22)的部分拉格朗日函数得到其对偶问题(24)；

步骤D.4初始化μ与结果阈值τ，使用KKT条件得到最优的计算资源分配

为式(25)；

步骤E：将步骤B.2得到的以A，Q，f₁，y，f₂为联合优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的总优化模型(16)转化为以y，f₂为联合优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的优化模型；

步骤E.1基于给定的UE与UAV关联度A、UAV飞行轨迹Q和UAV与UE间的计算资源分配f₁，将优化模型(16)简化以为区块处理器的资源调度y与计算资源分配策略f₂为联合优化变量的优化问题(26)；

步骤E.2将问题(26)分解为区块处理器的资源调度问题和区块处理器的计算资源分配策略问题两个子问题，具体为：

1)基于给定的区块处理器计算资源分配策略f₂，将问题(26)转化为以区块处理器的资源调度y为优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的优化模型(27)；

2)基于给定的区块处理器的资源调度y，将问题(26)转化为以区块处理器计算资源分配策略f₂为优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的优化模型(29)；

步骤F：基于步骤三、步骤四和步骤五中的优化模型(18)(24)(26)迭代求取第n个时隙的UE与UAV的关联度集合A，UAV飞行轨迹集合Q，UAV与UE间计算资源分配策略集合f₁，区块处理器调度策略集合y，区块处理器间计算资源分配策略集合f₂；

步骤F.1设总优化模型(16)的迭代次数θ＝0与收敛阈值α＞0；

步骤F.2初始化块处理器调度y(0)，计算资源分配策略f₁(0)和f₂(0)；

步骤F.3基于f₁(0)、f₂(0)和y(0)，迭代求解子问题(19)(20)以获得优化后的UE-UAV关联度A(0)和UAV飞行轨迹Q(0)，具体为：

1)随机初始化无人机轨迹Q⁰(0)，设优化模型(18)的迭代次数l＝0与收敛阈值λ＞0；

2)设Q^l(0)＝Q⁰(0)，根据式(3)(4)与t_k,m[n]≥(R_k,m[n])^-1初始化t^l(0)，将优化模型(18)的目标函数表示为Θ(l)；

3)基于给定的{Q^l(0),t^l(0)}，使用常规凸优化方法求解优化模型(19)，得到A^l(0)；

4)基于给定的A^l，使用SCA方法通过迭代优化问题(21)求解优化模型(20)，得到{Q^{l +1}(0),t^l+1(0)}，具体为：

①初始化无人机轨迹Q⁽⁰⁾(0)，设优化模型(20)的迭代次数r＝0与收敛阈值ε＞0；

②设Q^(r)(0)＝Q⁽⁰⁾(0)，根据式(3)(4)与t_k,m[n]≥(R_k,m[n])^-1初始化t^(r)(0)，将优化模型(21)的目标函数表示为Ω(r)；

③基于给定的{Q^(r)(0),t^(r)(0)}，使用常规凸优化方法求解(21)，得到{Q^(r+1)(0),t^(r+1)(0)}；

④Q^(r)(0)＝Q^(r+1)(0)；

⑤如果|Ω(r)-Ω(r-1)|≤ε，输出收敛结果Q^l(0)＝Q^(r)(0)，t^l(0)＝t^(r)(0)；否则转至步骤③；

5)l＝l+1；

6)如果|Θ(l)-Θ(l-1)|≤λ，输出收敛结果Q(0)＝Q^l(0)，t(0)＝t^l(0)，A(0)＝A^l(0)；否则转至步骤3)；

步骤F.4将优化模型(16)的目标函数记为Φ(θ)，根据f₁(0)，f₂(0)，y(0)，A(0)，Q(0)计算Φ(0)；

步骤F.5θ＝θ+1；

步骤F.6基于f₁(θ-1)、f₂(θ-1)和y(θ-1)，迭代求解子问题(19)(20)以获得优化后的UE-UAV关联度A(θ)和UAV飞行轨迹Q(θ)，具体为：

1)随机初始化无人机轨迹Q⁰(θ)，设优化模型(18)的迭代次数l＝0与收敛阈值λ＞0；

2)设Q^l(θ)＝Q⁰(θ)，根据式(3)(4)与t_k,m[n]≤(R_k,m[n])^-1初始化t^l(θ)，将优化模型(18)的目标函数表示为Θ(l)；

3)基于给定的{Q^l(θ),t^l(θ)}，使用常规凸优化方法求解优化模型(19)，得到A^l(θ)；

4)基于给定的A^l，使用SCA方法通过迭代优化问题(21)求解优化模型(20)，得到{Q^{l +1}(θ),t^l+1(θ)}，具体为：

①初始化无人机轨迹Q⁽⁰⁾(θ)，设优化模型(20)的迭代次数r＝0与收敛阈值ε＞0；

②设Q^(r)(θ)＝Q⁽⁰⁾(θ)，根据式(3)(4)与t_k,m[n]≥(R_k,m[n])^-1初始化t^(r)(θ)，将优化模型(21)的目标函数表示为Ω(r)；

③基于给定的{Q^(r)(θ),t^(r)(θ)}，使用常规凸优化方法求解(21)，得到{Q^(r+1)(θ),t^(r+1)(θ)}；

④Q^(r)(θ)＝Q^(r+1)(θ)；

⑤如果|Ω(r)-Ω(r-1)|≤ε，输出收敛结果Q^l(θ)＝Q^(r)(θ)，t^l(θ)＝t^(r)(θ)；否则转至步骤③；

5)l＝l+1；

6)如果|Θ(l)-Θ(l-1)|≤λ，输出收敛结果Q(θ)＝Q^l(θ)，t(θ)＝t^l(θ)，A(θ)＝A^l(θ)；否则转至步骤3)；

步骤F.7使用基于A(θ)，Q(θ)，f₂(θ-1)，y(θ-1)的二分法得到计算资源分配f₁(θ)，具体为：

1)初始化μ与结果阈值τ，根据式(25)使用KKT条件得到最优的计算资源分配

2)使用二分法更新μ后根据式(25)再次计算

3)如果

两次相邻的计算结果之差小于规定阈值τ，则

否则转至步骤2)；

步骤F.8基于A(θ)，Q(θ)，f₂(θ-1)，f₁(θ)，根据(27)(28)得到区块处理器调度y(θ)；

步骤F.9基于A(θ)，Q(θ)，y(θ)，f₁(θ)，根据(29)得到区块处理器计算资源分配策略f₂(θ)；

步骤F.10根据A(θ)，Q(θ)，y(θ)，f₁(θ)，f₂(θ)计算Φ(θ)；

步骤F.11如果Φ(θ)两次相邻的计算值满足|Φ(θ)-Φ(θ-1)|≤α，输出{A,Q,y,f₁,f₂}＝{A(θ),Q(θ),y(θ),f₁(θ),f₂(θ)}；否则转至步骤F.5；

步骤G：将步骤六最后输出的{A,Q,y,f₁,f₂}应用于基于MEC与区块链的无人机网络安全空中计算架构中，使得无人机网络在保证安全性和隐私性的前提下实现了计算任务能耗和区块链任务完成延迟的加权和最小化；

从步骤A到步骤G，完成了本实施例1中基于无人机网络的安全计算卸载方法。

对实施例1基于图2本发明无人机网络安全空中计算网络系统模型场景图以及上述步骤A到步骤G进行仿真，得到基于无人机网络的安全计算卸载方法下的计算任务能耗和区块链任务完成延迟，对应于图3本发明“一种基于无人机网络的安全计算卸载方法”具体实施例中基于不同的计算任务大小，本发明提出的方法的区块链任务完成延迟性能结果图；将本发明提出的方法与WOCRA方法、WOUAV方法以及WOASS方法三种方法进行比对分析，得到图3本发明“一种基于无人机网络的安全计算卸载方法”具体实施例中基于不同的计算任务所需的CPU周期，本发明提出的方法、WOCRA方法、WOUAV方法以及WOASS方法的计算任务能耗性能对比结果图。

从图3可以看出，一种基于无人机网络的安全计算卸载方法的UAV不同最大计算能力F下区块链任务的延迟,可以看出区块链任务的完成延迟随着F的增大而减小,这是因为随着F的增加，UAV有更多的计算资源来处理区块链任务，因此区块链任务的完成延迟逐渐减少。

从图4可以看出，计算任务所需的CPU周期变化会影响计算任务的计算能耗，并且能耗随着所需的CPU周期而增加计算任务的增加，一种基于无人机网络的安全计算卸载方法的能耗低于其他三种算法，其中WOCRA方法的性能最差。与WOCRA、WOUAV和WOASS方法相比，本发明提出的方法可以分别降低42.85％、28.89％和27.27％的能耗，表明通过本发明提出的方法可以通过优化UAVs的轨迹和计算资源的分配有效降低计算任务的能耗。

以上所述的具体描述，对发明的目的、技术方案和有益效果进行进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于无人机网络的安全计算卸载方法，其特征在于：包括如下步骤，

步骤一：建立无人机网络系统的通信模型、计算卸载模型和区块链模型；

步骤二：根据步骤一得到的无人机网络系统通信模型、计算卸载模型和区块链模型，建立无人机网络系统的总优化模型；

步骤三：将步骤二得到的以A，Q，f₁，y，f₂为联合优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的总优化模型转化为以A，Q为联合优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的优化模型；

步骤四：基于给定的Q，t，A，y，f₂，将步骤三得到的总优化模型转化为以f₁为优化变量的UAV-UE间计算资源分配优化问题并求解；

步骤五：将步骤二得到的以A，Q，f₁，y，f₂为联合优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的总优化模型转化为以y，f₂为联合优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的优化模型；

步骤六：基于步骤三、步骤四和步骤五中的优化模型迭代求取第n个时隙的UE与UAV的关联度集合A，UAV飞行轨迹集合Q，UAV与UE间计算资源分配策略集合f₁，区块处理器调度策略集合y，区块处理器间计算资源分配策略集合f₂；

步骤七：将步骤六最后输出的{A,Q,y,f₁,f₂}应用于基于MEC与区块链的无人机网络安全空中计算架构中，使得无人机网络在保证安全性和隐私性的前提下实现计算任务能耗和区块链任务完成延迟的加权和最小化。

2.如权利要求1所述的一种基于无人机网络的安全计算卸载方法，其特征在于：步骤一的实现方法为，

步骤1.1建立无人机网络系统的通信模型，具体为：

1)UAV飞行轨迹在相邻时隙间的约束为：

其中，

表示第m个UAV，

q_m(t)＝[u_m(t),v_m(t)]^T表示第m个UAV的水平坐标，其中t∈[0,T]，T为系统考虑的一段总连续时间，u_m(t)和v_m(t)分别表示UAV在水平坐标中两个坐标轴的位置，为了避免无人机在上升或下降过程中的额外功耗，设无人机的高度H不会随时间变化；将连续时间T分成等步长的N个时隙，每个时隙间隔为δ_t＝T/N，n∈N表示时隙序号，则第m个UAV在第n个时隙的水平坐标表示为q_m[n]＝[u_m[n],v_m[n]]^T，因此，第m个UAV的总飞行轨迹表示为

||q_m[n+1]-q_m[n]||表示第m个UAV第n个时隙坐标与第n+1个时隙坐标之间的距离；

D_max＝δ_tV_max表示UAV在每个时隙中移动的最大距离，V_max表示UAV的最大速度；

2)UAV飞行轨迹在无人机之间的距离约束为：

其中，q_m[n]表示第m个UAV的水平坐标，q_j[n]表示第j个UAV的水平坐标，

||q_m[n]-q_j[n]||²表示第m个UAV的水平坐标与第j个UAV的水平坐标之间距离的平方和，d_min表示无人机之间的最小安全距离；

3)第n个时隙第k个UE和第m个UAV之间的信道功率增益g_k,m[n]与传输速率R_k,m[n]分别为：

其中，d_k,m[n]表示第n个时隙第k个UE和第m个UAV之间的距离，β₀表示参考距离d₀＝1时的信道增益，H表示无人机相对地面的高度，w_k＝[u_k,v_k]^T表示移动用户k的水平位置，其中，u_k和v_k分别表示UE在水平坐标中两个坐标轴的位置；B_k表示分配给第k个UE的信道带宽，p_k表示第k个UE的传输功率，σ²表示噪声功率；

步骤1.2建立无人机网络系统的计算卸载模型，具体为：

1)第n个时隙时，第k个UE将计算任务卸载到第m个UAV之间的传输延迟

第k个UE的传输能量消耗

第m个UAV处理第k个UE的计算任务的延迟

以及第m个UAV处理第k个UE的计算任务的能耗

分别为：

其中，D_k[n]表示第k个UE在第n个时隙的输入计算任务大小，C_k[n]表示在第n个时隙中完成第k个UE的任务所需的CPU频率，因此第n个时隙中第k个UE的计算任务表示为

f_k,m[n]表示第n个时隙第m个UAV分配给第k个UE的CPU频率，用于处理第n个时隙中的计算任务，k_comp,m表示第m个UAV的有效能量系数；

2)每个时隙每个UE只能将一个计算任务卸载到UAV的约束条件为：

其中，a_k,m[n]＝1表示与第n个时隙与第m个UAV相关联的第k个UE，否则a_k,m[n]＝0；

3)根据1)表述在第n个时隙第k个UE的计算任务处理的总能耗E_k,m[n]与总延迟T_k,m[n]分别为：

步骤1.3建立无人机网络系统的区块链模型，具体为：

1)在第n个时隙第m个UAV的区块处理器生成新块的延迟为：

其中，

表示第n个时隙中处理内容的大小，Hash(·)为哈希函数，用于将计算任务和结果转换为哈希值，D_k,r[n]表示第n个时隙的计算结果，D_t[n]表示第n个时隙的加密文件；f_b,m[n]表示第n个时隙第m个UAV的区块处理器的计算能力，L_m[n]表示第n个时隙第m个UAV处理每比特数据所需的CPU频率；

2)在第n个时隙从第m个UAV的区块处理器到其他UAV的区块处理器的传输时间

与区块验证时间T^v[n]分别为：

其中，S_b[n]表示第n个时隙的处理块大小；R_m,m'[n]表示在第n个时隙从第m个UAV的区块处理器到第m'个UAV的区块处理器的传输速率，其中

m′≠n；

表示在第n个时隙从第m个UAV的区块处理器到其他UAV的区块处理器的平均传输速率；

表示完成区块验证所需的计算能力(CPU周期/s)，f_v,m′[n]表示第m'个UAV的区块处理器在第n个时隙中处理区块验证的计算能力(CPU周期/s)；

3)根据1)表述在第n个时隙第m个UAV的区块处理器完成内容处理的总延迟为：

其中，y_m[n]表示第n个时隙第m个UAV的区块处理器的指示变量，如果变量为1，则表示第n个时隙的内容由第m个UAV的区块处理器处理，否则为0。

3.如权利要求1所述的一种基于无人机网络的安全计算卸载方法，其特征在于：步骤二的实现方法为，

步骤2.1定义A＝(a_k,m[n])为第n个时隙UE与UAV的关联集合，Q＝(q_m[n])为第n个时隙UAV飞行轨迹集合，f₁＝(f_k,m[n])表示在无人机-MEC层第n个时隙UAV与UE间计算资源分配策略集合，y＝(y_m[n])表示第n个时隙区块处理器调度策略集合，f₂＝(f_b,m[n])表示在区块链层第n个时隙计算资源分配策略集合；

步骤2.2基于步骤一计算的无人机网络系统通信模型、计算卸载模型以及区块链模型，构造以A，Q，f₁，y，f₂为联合优化变量，以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的优化模型，具体通过公式(16)所示的优化模型构造：

其中，

表示第k个UE，

表示第n个时隙，

表示第m个UAV，

表示权重因子，通过调整

的值可以动态控制计算任务的能耗和区块链任务的完成延迟之间的偏好；q₀与q_F分别表示UAV的初始坐标与最终坐标；τ_k表示第k个UE的最大可容忍时间延迟；F表示UAV的最大计算能力；

在优化问题(16)中，目标函数是计算任务的能量消耗和区块链任务的完成延迟的加权和，约束(C1)和(C2)分别对应于UAV的初始与最终的位置和速度限制，约束(C3)是UAV之间的安全距离限制，约束(C4)要求计算任务的处理延迟不能大于UE可容忍的最大阈值，(C5)和(C7)表示UE和UAV之间的关联约束，(C6)表示分配给计算任务和区块链任务的计算资源需要小于UAV的最大计算能力，(C8)和(C9)表示第n个时隙时由第m个UAV的区块处理器执行区块链任务的处理，(C10)表示f_k,m[n]与f_b,m[n]需要满足非负条件。

4.如权利要求1所述的一种基于无人机网络的安全计算卸载方法，其特征在于：步骤三的实现方法为，

步骤3.1基于给定的UAV与UE间的计算资源分配策略f_k,m与区块链层中的计算资源分配策略f_b,m，以及块处理器调度y_m[n]，将优化模型(16)转化为以UE-UAV的关联度A和UAV飞行轨迹Q为优化变量的优化模型(17)，具体为：

步骤3.2引入新的辅助变量t，并对a_k,m[n],

n进行松弛处理，将优化模型(17)转化为：

其中，t＝{t_k,m[n]}为辅助变量且满足t_k,m[n]≥(R_k,m[n])^-1；约束(C7)′表示松弛后UE和UAV之间的关联约束；

步骤3.3将问题(18)分解为UE-UAV关联度优化问题和UAV飞行轨迹优化问题两个子问题，具体为：

1)基于给定的UAV飞行轨迹Q和辅助变量t，将问题(18)转化为：

问题(19)的目标函数和约束相对于a_k,m[n]是凸的，因此是一个凸问题，可以通过标准的凸规划求解器解决；

2)基于给定的UE-UAV的关联A，将问题(18)转化为以UAV飞行轨迹Q和辅助变量t为优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的优化模型：

3)使用SCA方法，通过转化优化模型(20)中的约束(11)，将优化模型(20)改写为：

其中，约束(C11)转化为(t_k,m[n])^-1≤B_kφ_r{q_m[n]}；

其中，

e表示自然常数，

表示第r次迭代中第n个时隙第m个UAV的飞行轨迹；

问题(21)的目标函数和约束相对于Q和t是凸的，因此是一个凸问题。

5.如权利要求1所述的一种基于无人机网络的安全计算卸载方法，其特征在于：步骤四的实现方法为，

步骤4.1基于给定的Q，t，A，y，f₂，将优化模型(16)转化为以f₁为优化变量的UAV-UE间计算资源分配优化问题(22)：

其中，约束(C10)′表示f_k,m[n]需要满足非负条件；

优化问题(22)的目标函数和约束相对于f₁是凸的,因此问题(22)可通过拉格朗日对偶法解决；

步骤4.2基于优化问题(22)的求得其部分拉格朗日函数为：

其中，μ＝(μ_m[n])是各约束变量对应的拉格朗日乘数；

步骤4.3基于优化问题(22)的部分拉格朗日函数得到其对偶问题为：

步骤4.4初始化μ与结果阈值τ，使用KKT条件得到最优的计算资源分配

为：

其中，

优化问题(24)的目标函数对于μ是单调递增的，因此得到

后使用二分法更新μ后继续根据式(25)计算

直至两次相邻的计算结果之差小于规定阈值τ。

6.如权利要求1所述的一种基于无人机网络的安全计算卸载方法，其特征在于：步骤五的实现方法为，

步骤5.1基于给定的UE与UAV关联度A、UAV飞行轨迹Q和UAV与UE间的计算资源分配f₁，将优化模型(16)简化以为区块处理器的资源调度y与计算资源分配策略f₂为联合优化变量的优化问题(26)：

其中，

约束(C10)″表示f_b,m[n]需要满足非负条件；

步骤5.2将问题(26)分解为区块处理器的资源调度问题和区块处理器的计算资源分配策略问题两个子问题，具体为：

1)基于给定的区块处理器计算资源分配策略f₂，将问题(26)转化为以区块处理器的资源调度y为优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的优化模型：

(27)的目标函数是线性的，其最小值通常在端点处得到，因此块处理器调度

由式(28)求得：

其中，m^*＝{m”₁,m”₂,m”₃,...m”_N}表示每个时隙选择的区块处理器集合；

其中，m”_n表示第m个UAV的区块处理器在第n个时隙被选择，且m”_n满足

2)基于给定的区块处理器的资源调度y，将问题(26)转化为以区块处理器计算资源分配策略f₂为优化变量、以最小化计算任务能耗和区块链任务完成延迟的加权和为优化目标的优化模型：

其中，

表示第n个时隙选择的UAV区块处理器m”_n处理每比特数据所需的CPU频率；

表示第n个时隙选择的UAV区块处理器m”_n计算资源分配策略；

表示第n个时隙第k个UE和第n个时隙选择的UAV之间的信道传输速率；

表示第n个时隙选择的UAV与UE间计算资源分配策略；

因此，第n个时隙选择的UAV区块处理器m”_n的最优计算资源分配策略在静止点获得：

7.如权利要求1所述的一种基于无人机网络的安全计算卸载方法，其特征在于：步骤六的实现方法为，

步骤6.1设总优化模型(16)的迭代次数θ＝0与收敛阈值α＞0；

步骤6.2初始化块处理器调度y(0)，计算资源分配策略f₁(0)和f₂(0)；

步骤6.3基于f₁(0)、f₂(0)和y(0)，迭代求解子问题(19)(20)以获得优化后的UE-UAV关联度A(0)和UAV飞行轨迹Q(0)，具体为：

1)随机初始化无人机轨迹Q⁰(0)，设优化模型(18)的迭代次数l＝0与收敛阈值λ＞0；

2)设Q^l(0)＝Q⁰(0)，根据式(3)(4)与t_k,m[n]≥(R_k,m[n])^-1初始化t^l(0)，将优化模型(18)的目标函数表示为Θ(l)；

3)基于给定的{Q^l(0),t^l(0)}，使用常规凸优化方法求解优化模型(19)，得到A^l(0)；

4)基于给定的A^l，使用SCA方法通过迭代优化问题(21)求解优化模型(20)，得到{Q^l+1(0),t^l+1(0)}，具体为：

①初始化无人机轨迹Q⁽⁰⁾(0)，设优化模型(20)的迭代次数r＝0与收敛阈值ε＞0；

②设Q^(r)(0)＝Q⁽⁰⁾(0)，根据式(3)(4)与t_k,m[n]≥(R_k,m[n])^-1初始化t^(r)(0)，将优化模型(21)的目标函数表示为Ω(r)；

③基于给定的{Q^(r)(0),t^(r)(0)}，使用常规凸优化方法求解(21)，得到{Q^(r+1)(0),t^(r+1)(0)}；

④Q^(r)(0)＝Q^(r+1)(0)；

⑤如果|Ω(r)-Ω(r-1)|≤ε，输出收敛结果Q^l(0)＝Q^(r)(0)，t^l(0)＝t^(r)(0)；否则转至步骤③；

5)l＝l+1；

6)如果|Θ(l)-Θ(l-1)|≤λ，输出收敛结果Q(0)＝Q^l(0)，t(0)＝t^l(0)，A(0)＝A^l(0)；否则转至步骤3)；

步骤6.4将优化模型(16)的目标函数记为Φ(θ)，根据f₁(0)，f₂(0)，y(0)，A(0)，Q(0)计算Φ(0)；

步骤6.5θ＝θ+1；

步骤6.6基于f₁(θ-1)、f₂(θ-1)和y(θ-1)，迭代求解子问题(19)(20)以获得优化后的UE-UAV关联度A(θ)和UAV飞行轨迹Q(θ)，具体为：

1)随机初始化无人机轨迹Q⁰(θ)，设优化模型(18)的迭代次数l＝0与收敛阈值λ＞0；

2)设Q^l(θ)＝Q⁰(θ)，根据式(3)(4)与t_k,m[n]≥(R_k,m[n])^-1初始化t^l(θ)，将优化模型(18)的目标函数表示为Θ(l)；

3)基于给定的{Q^l(θ),t^l(θ)}，使用常规凸优化方法求解优化模型(19)，得到A^l(θ)；

4)基于给定的A^l，使用SCA方法通过迭代优化问题(21)求解优化模型(20)，得到{Q^l+1(θ),t^l+1(θ)}，具体为：

①初始化无人机轨迹Q⁽⁰⁾(θ)，设优化模型(20)的迭代次数r＝0与收敛阈值ε＞0；

②设Q^(r)(θ)＝Q⁽⁰⁾(θ)，根据式(3)(4)与t_k,m[n]≥(R_k,m[n])^-1初始化t^(r)(θ)，将优化模型(21)的目标函数表示为Ω(r)；

③基于给定的{Q^(r)(θ),t^(r)(θ)}，使用常规凸优化方法求解(21)，得到{Q^(r+1)(θ),t^(r+1)(θ)}；

④Q^(r)(θ)＝Q^(r+1)(θ)；

⑤如果|Ω(r)-Ω(r-1)|≤ε，输出收敛结果Q^l(θ)＝Q^(r)(θ)，t^l(θ)＝t^(r)(θ)；否则转至步骤③；

5)l＝l+1；

6)如果|Θ(l)-Θ(l-1)|≤λ，输出收敛结果Q(θ)＝Q^l(θ)，t(θ)＝t^l(θ)，A(θ)＝A^l(θ)；否则转至步骤3)；

步骤6.7使用基于A(θ)，Q(θ)，f₂(θ-1)，y(θ-1)的二分法得到计算资源分配f₁(θ)，具体为：

1)初始化μ与结果阈值τ，根据式(25)使用KKT条件得到最优的计算资源分配

2)使用二分法更新μ后根据式(25)再次计算

3)如果

两次相邻的计算结果之差小于规定阈值τ，则

否则转至步骤2)；

步骤6.8基于A(θ)，Q(θ)，f₂(θ-1)，f₁(θ)，根据(27)(28)得到区块处理器调度y(θ)；

步骤6.9基于A(θ)，Q(θ)，y(θ)，f₁(θ)，根据(29)得到区块处理器计算资源分配策略f₂(θ)；

步骤6.10根据A(θ)，Q(θ)，y(θ)，f₁(θ)，f₂(θ)计算Φ(θ)；

步骤6.11如果Φ(θ)两次相邻的计算值满足|Φ(θ)-Φ(θ-1)|≤α，输出{A,Q,y,f₁,f₂}＝{A(θ),Q(θ),y(θ),f₁(θ),f₂(θ)}；否则转至步骤6.5。

Images