超密集网络联合资源分配和能效型安全计算卸载优化方法技术

本发明专利技术公开了一种超密集网络联合资源分配和能效型安全计算卸载优化方法，包括：获取超密集物联网网络的网络基础信息，构建网络系统，并在网络系统约束下构建多步安全计算卸载的优化问题；根据优化问题得到初始解，并将初始解定义为初始种群，对初始种群进行粗粒度搜索得到目标种群，并输出所有鲸鱼个体的编码；以该编码初始化粒子群中粒子的位置，使用改进的自适应粒子群算法进行细粒度搜索，对粒子群中粒子位置进行更新，得到全局最优粒子位置；通过改进的鲸鱼算法、粒子群算法结合构成改进的鲸鱼粒子群算法，根据全局最优粒子的位置执行卸载优化配置。本发明专利技术具备执行多步计算卸载，满足安全漏洞总成本和延迟约束，实现最小化全网能耗的目标。化全网能耗的目标。化全网能耗的目标。

【技术实现步骤摘要】
超密集网络联合资源分配和能效型安全计算卸载优化方法


[0001]本专利技术涉及无线通信
，尤其是涉及超密集网络联合资源分配和能效型安全计算卸载优化方法。

技术介绍

[0002]随着移动物联网（Internet of Things，IoT）的快速发展，智能家居、虚拟现实、增强现实和自动驾驶等新应用应运而生。虽然用户终端设备（IoT mobile device，IMD，简称用户）的计算能力已经有了质的飞跃，但是由于CPU计算资源以及电池容量受限，不能完全支持这些延迟敏感型和计算密集型任务。为了延长IMD使用寿命以及缓解IMD计算资源限制，移动边缘计算（Mobile Edge Computing，MEC）的出现可以在网络边缘为IMD提供大量计算资源，从而及时处理了延迟敏感型任务，且有效解决了计算密集型任务。
[0003]为了进一步缩短用户与计算中心的距离，将超密集异构网络(Ultra
‑
Dense Heterogeneous Networks，UDHNs)与MEC的结合。在UDHNs中，宏基站（Macro Base Station，MBS）与大量小基站(Small Base Station，SBS)均部署了边缘计算服务器。在考虑安全的计算卸载模型中，虽然降低了IMD到基站的传输时延，但还是会带来大量能耗。
[0004]因此，在满足有限的网络资源约束下，需要致力于研究联合安全计算卸载、用户（终端设备）关联以及资源分配去降低全网能耗，以及如何延长IMD和SBS的待机时间。此外，需要阐明的是，安全计算卸载是指IMD的计算任务如果在边缘服务器执行，需要进行加密传输。而用户（终端设备）关联决定着IMD与基站之间的具体选择情况。

技术实现思路

[0005]有鉴于此，本专利技术实施例提供了超密集网络联合资源分配和能效型安全计算卸载优化方法，以解决现有技术中因缺少对计算卸载时产生的新问题的研究而导致算法收敛速度与性能的下降的问题。
[0006]本专利技术实施例的第一方面提供了超密集网络联合资源分配和能效型安全计算卸载优化方法，包括：步骤S1：获取超密集物联网网络的基础信息，根据基础信息构建网络系统，所述网络系统包括通信模型、计算模型、安全模型以及多任务模型，并在所述网络系统的约束下构建优化问题，即在满足安全漏洞总成本和延迟约束的同时，联合资源分配、功率控制以及用户关联，执行多步安全计算卸载，实现最小化全网能耗的目标；步骤S2：根据所述优化问题采用改进的鲸鱼算法IWOA进行粗粒度搜索，具体包括首先初始化种群及确定历史最优鲸鱼个体；然后在收缩包围阶段，采用自适应非线性权重因子和用来更新鲸鱼个体的位置，同时用于螺旋气泡网攻击和搜索猎物阶段；在螺旋气泡网攻击阶段，利用惯性权重系数用于自适应调节螺旋幅值，避免陷入局部最优；在搜索猎物阶段，采用柯西的逆累积分布函数对鲸鱼的长尾变异操作扩展改进的鲸鱼算法的搜索空间，提高鲸鱼的全局搜索能力，避免陷入局部最优；然后依次重复执行收缩包围、螺
旋气泡网攻击、搜索猎物与历史最优鲸鱼个体的更新，直至最大迭代次序，最后输出目标种群中所有鲸鱼个体的编码；步骤S3：以目标种群中所有鲸鱼个体的编码初始化粒子群中粒子的位置，并使用改进的自适应粒子群算法IPSO进行细粒度搜索，对粒子群中粒子的位置进行更新，得到全局最优粒子的位置；步骤S4：通过改进的鲸鱼算法IWOA与改进的自适应粒子群算法IPSO结合构成改进的鲸鱼粒子群算法WPSO，最后根据全局最优粒子的位置执行联合资源分配和能效型安全计算卸载优化配置。
[0007]综上，根据上述的超密集网络联合资源分配和能效型安全计算卸载优化方法，通过利用改进的鲸鱼算法IWOA进行粗粒度搜索，再利用改进的自适应粒子群IPSO算法进行细粒度搜索，通过改进的鲸鱼算法IWOA与改进的自适应粒子群算法IPSO结合构成改进的鲸鱼粒子群算法WPSO有效地避免了传统鲸鱼算法WOA和粒子群优化PSO算法求解问题时分别存在的过早收敛及易陷入局部最优的问题。该方法在满足用户发射功率、计算资源和延迟约束的同时，实现了最小化能耗和安全成本的目标。同其它现有方法相比，本专利技术提出的方法可以实现更低能耗、更安全可靠的通信。具体的，根据超密集网络的网络基础信息构建优化问题，并对优化问题进行初步计算得到优化问题的初始解，将优化问题的初始解作为鲸鱼种群，采用改进的鲸鱼种群进行粗粒度搜索得到目标种群，并输出目标种群中所有鲸鱼个体的编码；将目标种群作为粒子群，并以目标种群中所有鲸鱼个体的编码初始化粒子群中粒子的位置，使用改进的自适应粒子群算法对粒子群中粒子的位置进行更新并得到全局最优粒子的位置；根据全局最优粒子的位置执行安全的计算卸载与资源优化配置。本专利技术针对超密集多用户、多任务物联网网络，联合用户关联、安全计算卸载和资源分配，进行最小化IMDs时延和安全漏洞总成本约束下的全网能耗。该方法能很好地实现最小化能耗和安全成本的目标。
[0008]进一步地，步骤S1包括：根据以下公式构建优化问题：
其中，假定本地执行和计算卸载是同时进行的，代表计算任务总时间，代表计算任务的总能耗，IMD代表用户终端设备，SBS代表小基站，MBS代表宏基站，BS代表基站，SBS最多有个，SBS的集合表示为，MBS的索引由0给出，表示所有基站的集合，用户最多有个，则用户的索引集合，每个用户最多有个独立任务，则每个用户的相对独立的任务索引集合为；加密算法有个，则鲁棒性最小和最大的算法分别表示为和，索引集合记为；表示用户卸载决策，则表示卸载决策的索引集合，表示IMD与SBS相关联，否则，；表示IMD的第个任务是否选择加密算法，则表示任务的安全保护决策变量的索引集合，表示IMD的第个任务与安全保护级别的加密算法相关联，否则，，表示IMD的第个任务的安全保护级别为1；为IMD的上行链路发射功率，则表示IMD的上行链路发射功率的索引集合；表示IMD执行计算卸载的数据量，IMD卸载至BS的数据量的索引集合；为SBS卸载到MBS的数据量，表示SBS卸载至
MBS的数据量索引集合，取一个趋近零的值；频带划分因子为以及表示IMD的安全漏洞总成本；表示IMD的计算任务总时间不能超过任务执行最大允许时延；表示IMD的安全漏洞总成本不能超过IMD的最大允许安全漏洞总成本；和表示一个IMD只能与一个基站相关联；和表示IMD的第个任务只能与一个安全保护加密算法相关联；表示IMD的传输功率下界和上界；表示当IMD与SBS相关联时，这个IMD可以将任务卸载比特至SBS上处理，然后，SBS可以将接收到的第个任务的部分比特卸载至MBS；和要大于等于但小于等于IMD的任务的数据大小，与此同时，要大于等于；表示频带划分因子的下界和上界1。
[0009]由以上的技术方案可知，优化问题的构建是在超密集网络系统中通信模型、计算模型及安全模型的基础上进行的，在安全漏洞总成本高以及严格时延的约束下，将任务关联矩阵、用户计算资源的分配矩阵、基站计算资源的分配矩阵以及用户发射功率集都作为优化问题的参考指标，解决了现有技术中参考指标单一的问题本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.超密集网络联合资源分配和能效型安全计算卸载优化方法，其特征在于，所述方法包括：步骤S1：获取超密集物联网网络的基础信息，根据基础信息构建网络系统，所述网络系统包括通信模型、计算模型、安全模型以及多任务模型，并在所述网络系统的约束下构建优化问题，即在满足安全漏洞总成本和延迟约束的同时，联合资源分配、功率控制以及用户关联，执行多步安全计算卸载，实现最小化全网能耗的目标；步骤S2：根据所述优化问题采用改进的鲸鱼算法IWOA进行粗粒度搜索，具体包括首先初始化种群及确定历史最优鲸鱼个体；然后在收缩包围阶段，采用自适应非线性权重因子和用来更新鲸鱼个体的位置，同时用于螺旋气泡网攻击和搜索猎物阶段；在螺旋气泡网攻击阶段，利用惯性权重系数用于自适应调节螺旋幅值，避免陷入局部最优；在搜索猎物阶段，采用柯西的逆累积分布函数对鲸鱼的长尾变异操作扩展改进的鲸鱼算法的搜索空间，提高鲸鱼的全局搜索能力，避免陷入局部最优；然后依次重复执行收缩包围、螺旋气泡网攻击、搜索猎物与历史最优鲸鱼个体的更新，直至最大迭代次序，最后输出目标种群中所有鲸鱼个体的编码；步骤S3：以目标种群中所有鲸鱼个体的编码初始化粒子群中粒子的位置，并使用改进的自适应粒子群算法IPSO进行细粒度搜索，对粒子群中粒子的位置进行更新，得到全局最优粒子的位置；步骤S4：通过改进的鲸鱼算法IWOA与改进的自适应粒子群算法IPSO结合构成改进的鲸鱼粒子群算法WPSO，最后根据全局最优粒子的位置执行联合资源分配和能效型安全计算卸载优化配置。2.根据权利要求1所述的超密集网络联合资源分配和能效型安全计算卸载优化方法，其特征在于，所述步骤S1包括：根据以下公式构建优化问题：
其中，代表计算任务总时间，代表计算任务的总能耗，IMD代表用户终端设备，SBS代表小基站，MBS代表宏基站，BS代表基站，SBS最多有个，SBS的集合表示为，MBS的索引由0给出，表示所有基站的集合，用户最多有个，则用户的索引集合，每个用户最多有个独立任务，则每个用户的相对独立的任务索引集合为，加密算法有个，则鲁棒性最小和最大的算法分别表示为和，索引集合记为，表示用户卸载决策，表示卸载决策的索引集合，表示IMD与SBS相关联，否则，；表示IMD 的第个任务是否选择加密算法，表示任务的安全保护决策变量的索引集合，表示IMD的第个任务与安全保护级别的加密算法相关联，否则，表示IMD的第个任务的安全保护级别为1；为IMD的上行链路发射功率，则表示IMD的上行链路发射功率的索引集合；表示IMD执行计算卸载的数据量，IMD卸载至BS的数据量的索引集合；为SBS卸载到MBS的数据量，则表示SBS卸载至MBS的数据量索引集合，取一个趋近零的值；频带划分因子为以及表示IMD的安全漏洞总成本；表示IMD的计算任务总时间不能超过任务执行最大允许时延；表示IMD的安全漏洞总成本不能超过IMD的最大允许安全漏洞总成本；和表示一个IMD只能与一个基站相关联；和
ꢀꢀ
表示IMD的第
ꢀꢀ
个任务只能与一个安全保护加密算法相关联；表示IMD的传输功率下界和上界；表示当IMD与SBS相关联时，IMD将任务卸载比特至SBS上处理，然后，SBS将接收到的第个任务的部分比特卸载至MBS；和要大于等于但小于等于IMD的任务的数据大小，要大于等于；表示频带划分因子的下界和上界1。3.根据权利要求2所述的超密集网络联合资源分配和能效型安全计算卸载优化方法，其特征在于，所述步骤S2包括：
步骤S21：初始化采用改进的鲸鱼算法的最大迭代次序，并将当前迭代索引设置为1；步骤S22：单个鲸鱼个体，种群中每个鲸鱼个体完成鲸鱼个体编码；首先，定义目标函数为鲸鱼个体的适应度值，再将优化参量分别编码为，其中，，表示鲸鱼个体中与IMD相关联的BS指数；，表示鲸鱼个体中与IMD相关联的安全加密算法级别；，表示鲸鱼个体中IMD的发射功率；，表示鲸鱼个体中IMD卸载到关联SBS上的数据量；，表示鲸鱼个体中IMD卸载到关联MBS上的数据量；其中表示鲸鱼个体的频带划分因子；代表虚拟IMD的集合，长度为；步骤S23：初始化鲸鱼种群，并根据以下公式构建鲸鱼种群中鲸鱼个体的适应度函数：其中，表示鲸鱼个体的适应度函数值，表示IMD的时延约束的惩罚因子，表示IMD的安全漏洞总成本约束的惩罚因子，代表计算任务的总能耗，代表计算任务总时间，为任务执行最大允许时延，为IMD的安全漏洞总成本，为IMD的最大允许安全漏洞总成本；使用适应度函数计算鲸鱼种群中所有鲸鱼个体的适应度值，并将适应度值最高的鲸鱼个体作为历史最优鲸鱼个体；步骤S24：判断当前迭代索引是否小于等于最大迭代次序，若当前迭代索引小于等于最大迭代次序，则对鲸鱼种群进行搜索猎物、收缩包围和螺旋气泡网攻击的操作，以得到目标种群，若当前迭代索引大于最大迭代次序，则输出目标种群中所有鲸鱼个体的编码。4.根据权利要求3所述的超密集网络联合资源分配和能效型安全计算卸载优化方法，其特征在于，所述步骤S24包括：步骤S241：每头鲸鱼的位置就是一个可行解，在解空间内若干鲸鱼个体不断更新位置，直至获得全局最优解，单个鲸鱼个体；
鲸鱼个体包围猎物位置的行为表述为：的行...

【专利技术属性】
技术研发人员：周天清，傅炎炎，聂学方，李轩，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：