一种电力物联网低时延安全云边端协同方法技术

本发明专利技术公开了一种电力物联网低时延安全云边端协同方法，包括：构建系统模型，由PIoT设备、地面基站、无人机、边缘服务器、云服务器和卫星组成；构建任务卸载模型；构建任务处理模型；构建排队时延模型；构建联盟区块链模型；最小化SAG

【技术实现步骤摘要】
一种电力物联网低时延安全云边端协同方法


[0001]本专利技术涉及物联网
，特别涉及一种电力物联网低时延安全云边端协同方法。

技术介绍

[0002]随着边缘计算在电力物联网(power Internet of Things,PIoT)中的广泛部署，由PloTPIoT设备产生的大量计算密集型任务被卸载到边缘服务器上进行计算。然而，现有的PIoT网络不能满足电力系统对计算卸载严格的安全性和时延要求。一方面，卸载后的任务和计算结果容易被篡改和逆转，严重危及电力系统的安全。另一方面，有限的通信基础设施和僵硬的资源部署，无法提供灵活、随需应变的服务。此外，非智能化卸载和资源分配方式导致计算时延大，资源利用率低。
[0003]区块链、PIoT和机器学习的结合为满足电力系统计算卸载的严格安全性和时延要求提供了一种可行的方案。然而，在实施的过程中一些主要的挑战总结如下：
[0004](1)学习性能与成本的权衡：传统集中式学习方法具有最佳性能，但需要提前掌握全局状态信息(global state information,GSI)，导致学习成本巨大。
[0005](2)安全性与时延性能的权衡：边缘服务器同时进行任务处理和区块创建，当边缘服务器分配更多的计算资源进行任务处理时，用于区块创建的计算资源可能不足，导致区块创建时延增大、安全性降低。
[0006](3)电磁干扰(electromagnetic interference,EMI)对学习性能的不利影响：在SAG
‑
PIoT中，来自高压电力基础设施的瞬态过程和局部放电产生的强烈EMI对学习性能和模型收敛性造成不利影响。
[0007]与本专利技术相关的现有技术：基于区块链和深度强化学习(Deep reinforcement learning，DRL)的边缘计算网络任务卸载方法：该方法利用DRL进行任务卸载并使用区块链最大化隐私级别。
[0008]一方面，上述方法没有对任务卸载的安全性进行数学建模和优化；另一方面，上述方案没有考虑EMI对网络性能的影响，不具备电磁干扰感知能力；除此之外，上述方法在模型训练和学习性能提升中，并没有充分利用附近PIoT设备的相似环境观测数据。

技术实现思路

[0009]本专利技术针对现有技术的缺陷，提供了一种电力物联网低时延安全云边端协同方法。
[0010]为了实现以上专利技术目的，本专利技术采取的技术方案如下：
[0011]一种电力物联网低时延安全云边端协同方法，包括以下步骤：
[0012]步骤1，构建系统模型；
[0013]所述系统模型由PIoT设备(电力物联网PIoT设备)、地面基站(ground Base Station,GBSs)、无人机(unmanned aerial vehicles，UAVs)、边缘服务器、云服务器和卫星
组成。
[0014]假设存在I个PIoT设备，J+M个基站(Base Stations,BSs)，基站包括J个GBSs和M个UAVs。
[0015]PIoT设备和BS的集合分别表示为其中,s
j
,j＝1,
…
J,表示GBSs，s
j
,j＝J+1,
…
J+M表示UAVs。
[0016]BS与边缘服务器位于相同位置，为PIoT设备提供数据传输和计算服务。云服务器通过有线链路与GBS连接，通过无线链路与无人机连接。PIoT设备通过BS将任务卸载到边缘服务器进行计算，并采用区块链技术保证计算卸载的安全性。利用卫星在区块链节点之间广播消息。
[0017]采用时隙模型，总时间周期被划分为T个时隙，每个时隙时间长度为τ，集合表示为假设网络状态在一个时隙内保持不变，而在不同的时隙之间变化。在时隙t，表示到达u
i
的任务数据量为A
i
(t)，其满足0≤A
i
(t)≤A
i,max
。定义U
i
(t)表示为u
i
在时隙t的吞吐量。将存储在u
i
缓冲区中的数据建模为数据队列，其队列的积压表示为Q
i
(t)，则可不断更新表示为
[0018]Q
i
(t+1)＝max{Q
i
(t)
‑
U
i
(t),0}+A
i
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0019]A
i
(t)和U
i
(t)分别为队列的输入和输出。
[0020]步骤2，构建任务卸载模型；
[0021]定义s
j
对u
i
的服务可用性二进制指示变量为a
i,j
(t)∈{0,1}。特别地，a
i,j
(t)＝1表示在时隙t，s
j
对u
i
可用，否则a
i,j
(t)＝0。任务卸载决策由两部分组成:1)选择GBSs或UAVs进行数据传输；2)选择云计算或边缘计算进行任务处理。u
i
的任务卸载决策定义为一组二进制指示变量制指示变量表示u
i
选择s
j
在时隙t中进行数据传输,否则表示u
i
选择云计算，表示u
i
在时隙t选择边缘计算。
[0022]21)PIoT设备GBS通信模型:给定u
i
与s
j
之间的传输速率为
[0023][0024]其中h
i,j
(t)，B
i,j
(t)，P
i
(t)，分别为u
i
与s
j
之间的信道增益、带宽、传输功率和EMI功率，δ2是噪声功率。
[0025]22)PIoT设备无人机通信模型:给定u
i
与s
j
之间的传输速率为
[0026][0027]其中L
i,j
(t)为u
i
和s
j
之间的路径损耗，表示为
[0028][0029]其中d
i,j
(t)和r
i,j
(t)分别为u
i
与s
j
在时隙t的垂直距离和水平距离。和分别为视距链路和非视距链路的自由空间路径损耗的附加损失。f
c
是载频，c是光速。为PIoT设备
‑
无人机视距链路概率，表示为
[0030][0031]其中b1，b2，和的值取决于传输环境。
[0032]u
i
在时隙t的吞吐量计算为
[0033][0034]步骤3，构建任务处理模型；
[0035]定义和分别表示边缘服务器和云服务器缓冲区队列积压，能够不断更新表示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力物联网低时延安全云边端协同方法，其特征在于，包括以下步骤：步骤1，构建系统模型；所述系统模型由电力物联网设备简称PIoT设备、地面基站GBS、无人机UAV、边缘服务器、云服务器和卫星组成；假设存在I个PIoT设备，J+M个基站BS，基站包括J个GBS和M个UAV；PIoT设备和BS的集合分别表示为其中,s
j
,j＝1,
…
J,表示GBS，s
j
,j＝J+1,
…
J+M表示UAV；BS与边缘服务器位于相同位置，为PIoT设备提供数据传输和计算服务；云服务器通过有线链路与GBS连接，通过无线链路与无人机连接；PIoT设备通过BS将任务卸载到边缘服务器进行计算，并采用区块链技术保证计算卸载的安全性；利用卫星在区块链节点之间广播消息；采用时隙模型，总时间周期被划分为T个时隙，每个时隙时间长度为τ，集合表示为假设网络状态在一个时隙内保持不变，而在不同的时隙之间变化；在时隙t，表示到达u
i
的任务数据量为A
i
(t)，其满足0≤A
i
(t)≤A
i,max
；定义U
i
(t)表示为u
i
在时隙t的吞吐量；将存储在u
i
缓冲区中的数据建模为数据队列，其队列的积压表示为Q
i
(t)，则可不断更新表示为Q
i
(t+1)＝max{Q
i
(t)
‑
U
i
(t),0}+A
i
(t)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)A
i
(t)和U
i
(t)分别为队列的输入和输出；步骤2，构建任务卸载模型；定义s
j
对u
i
的服务可用性二进制指示变量为a
i,j
(t)∈{0,1}；特别地，a
i,j
(t)＝1表示在时隙t，s
j
对u
i
可用，否则a
i,j
(t)＝0；任务卸载决策由两部分组成:1)选择GBS或UAV进行数据传输；2)选择云计算或边缘计算进行任务处理；u
i
的任务卸载决策定义为一组二进制指示变量变量表示u
i
选择s
j
在时隙t中进行数据传输,否则数据传输,否则表示u
i
选择云计算，表示u
i
在时隙t选择边缘计算；21)PIoT设备GBS通信模型:给定u
i
与s
j
之间的传输速率为其中h
i,j
(t)，B
i,j
(t)，P
i
(t)，分别为u
i
与s
j
之间的信道增益、带宽、传输功率和EMI功率，δ2是噪声功率；22)PIoT设备无人机通信模型:给定u
i
与s
j
之间的传输速率为
其中L
i,j
(t)为u
i
和s
j
之间的路径损耗，表示为其中d
i,j
(t)和r
i,j
(t)分别为u
i
与s
j
在时隙t的垂直距离和水平距离；和分别为视距链路和非视距链路的自由空间路径损耗的附加损失；f
c
是载频，c是光速；为PIoT设备
‑
无人机视距链路概率，表示为其中b1，b2，和的值取决于传输环境；u
i
在时隙t的吞吐量计算为步骤3，构建任务处理模型定义和分别表示边缘服务器和云服务器缓冲区队列积压，能够不断更新表示为为其中，分别为s
j
和云服务器处理的数据量；定义s
j
和云服务器为计算u
i
数据分配的CPU周期频率为和f
ic
(t)，和表示为表示为λ
i
表示处理1比特u
i
任务数据需要的CPU周期数；步骤4，构建排队时延模型；41)任务卸载的排队时延：对于u
i
，任务卸载的排队时延表示为其中表示Q
i
(t)的时间平均到达速率，计算为
42)任务处理的排队时延：在云计算中，边缘服务器向云服务器转发数据时，会产生转发时延对于u
i
，边缘计算和云计算的排队时延分别计算为其中和分别为和的时间平均到达速率，计算为的时间平均到达速率，计算为u
i
任务处理的排队时延取决于所有服务器中最大排队时延，表示为所以u
i
在时隙t的总排队时延为步骤5，构建联盟区块链模型；区块链节点分为两类：完整节点和轻量级节点；GBS作为完整节点参与区块链共识过程，UAV作为轻量级节点；卫星负责在区块链节点之间广播消息，实现低时延共识；在区块共识过程中采用实用拜占庭容错协议PBFT，以实现较低的共识时延和确定性；每个时隙选取一个GBS作为主节点，其他GBS为非主节点；非主节点在主节点的协调下参与共识过程；步骤6，问题建模；最小化SAG
‑
PIoT网络中PIoT设备在长期安全性约束下的总排队时延，表示为P1∶s.t.C1：
C2：C3：C4：C5：C6：：表示任务卸载向量；和分别表示用于任务处理和块创建的边
‑
服务器
‑
端计算资源分配向量；为云服务器端计算资源分配向量；C1和C2分别表示每个PIoT设备在每个时隙只能选择一个BS和一个计算模式；C3、C4、C5分别表示GBS、UAV和云服务器的计算资源分配约束，其中和分别表示s
j
和云服务器的最大可用CPU周期频率；C6表示长期安全性约束；步骤7，问题转化；利用李雅普诺夫优化将长期约束与短期决策优化解耦；定义安全性赤字虚拟队列Y(t)，表示为Y(t)表示创建块的时延与规定安全需求之间的偏差；因此，P1可重写为P2∶s.t.C1～C5,定义李雅普诺夫函数表示为
李雅普诺夫漂移ΔL(Θ(t))定义为两个相邻时隙之间L(Θ(t))的条件变化；ΔL(Θ(t))的绝对值越大表示队列积压的波动越剧烈，队列稳定性越差；对于最小化问题P2，引入漂移加罚项在维持队列稳定的同时最小化总排队时延，表示为其中V是一个非负权值，用于平衡“惩罚最小化”和“队列稳定”；漂移加罚项的上界计算为漂移加罚项的上界计算为其中η是一个正常数，不影响李雅普诺夫优化；P2转化为在C1～C5的约束条件下最小化Δ
V
L(Θ(t))上界的问题，实现了短期计算卸载优化与长期安全性约束解耦；放宽漂移加罚项的上界为
其中，其中，其中，其中，步骤9，P2可以解耦为SP1：任务卸载优化和SP2：计算资源分配优化；91)任务卸载优化；
SP1优化每个PIoT设备的任务卸载决策，其表达式为s.t.C1～C2ꢀꢀꢀꢀ
(28)FDAC
‑
EMI求解SP1；首先，任务卸载问题建模为MDP：1)状态空间:u
i
在时隙t的状态空间S
i
(t)定义为2)动作空间：动作空间x
i
(t)定义为3)奖励：由于SP1为最小化问题，定义成本函数为SP1的优化目标Ψ
i
(x
i
(t))；通过利用分布式PIoT设备上的本地数据进行局部模型更新，以及利用联邦平均局部模型进行周期性全局模型更新，云服务器负责全局模型更新，BSs负责PIoT设备与云服务器之间的模型上传和下载；FDAC
‑
EMI包括一个全局模型和I个本地模型；每个模型包含一个演员网络和一个评论家网络，演员网络采取行动并优化策略，而评论家网络则对具体情形进行批评并指导政策优化；全局演员网络模型、全局评论家网络模型、u
i
本地演员模型和u
i
本地评论家模型分别表示为θ
G
(t)，ω
G
(t)，θ
i
(t)和ω
G
(t)；所述FDAC
‑
EMI包含七个阶段：初始化：初始化时，对全局演员网络和全局评论家网络进行随机权值初始化；成本函数Ψ
i
(x
i
(t))初始化为零；模型下载：在第g时间段开始时刻，即t＝(g
‑
1)T0+1时，u
i
从云服务器上下载全局模型，并设置本地...

【专利技术属性】
技术研发人员：廖海君，周振宇，贾泽晗，汤中卫，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：