【技术实现步骤摘要】
本专利技术涉及无线通信的通信安全，具体涉及一种基于td3强化学习与智能反射面的移动边缘计算安全速率最大化方法。
技术介绍
1、面对计算任务越来越复杂化的趋势，对于计算和存储有限的移动设备来说，满足严格的服务质量(qos)要求是一个相当大的挑战。而移动边缘计算(mec)被认为是最有前景的技术之一，它可以打破计算资源需求大与有限的计算能力之间的障碍。通过部署mec服务器，部分或全部计算任务被卸载到mec服务器上计算，以缓解本地用户的计算压力。但是，卸载到mec服务器的数据很容易被窃听，这给信息安全带来了很大的威胁。为了保证mec系统的安全性，许多学者开展了对无线物理层安全(pls)的研究，但这种方法往往需要大量的有源天线和继电器，大大增加了硬件成本和系统的复杂性。近年来，可重构智能表面(ris)被提出，它作为一种重构无线通信系统中传播信道的低成本技术，引起了研究者的广泛关注。
2、ris由许多低成本的被动反射元件组成。通过适当地调整反射元件的相移，可以利用ris来构建动态可编程的无线信道和智能无线电环境。因此，ris能够增强合法用户接收到的信号，同时抑制恶意窃听者的信号。此外，与传统的无线中继技术相比，ris只反射信号，并在低能耗的全双工模式下工作。因此，ris非常适合用于提高mec系统中用户的卸载安全性。
3、考虑到ris的潜在优势，人们开展了大量的研究。为了提高下行无线通信的安全性，研究人员提出了一种交替优化(ao)算法，联合优化基站(bs)的有源波束形成和ris的相移；为了更加符合实际情况，研究了一种r
4、虽然近年来研究者们对ris和mec进行了广泛的研究，但他们的研究往往只考虑系统的一个指标，例如只提升了安全性，却导致了系统较低能耗效率，一个同时考虑能耗、安全性能和计算延迟的系统还有待进一步探索。而且这些工作大多采用交替优化算法，其计算过程非常复杂。
技术实现思路
1、为了克服现有技术存在的缺陷与不足，本专利技术提供一种基于td3强化学习与智能反射面的移动边缘计算安全速率最大化方法，本专利技术采用了联合优化能量消耗和安全速率的技术方案，解决了提升安全性能所带来的过多额外能量消耗的技术难题，达到了节约能耗下仍然保持高安全性能的技术效果。
2、为了达到上述目的，本专利技术采用以下技术方案：
3、本专利技术提供一种基于td3强化学习与智能反射面的移动边缘计算安全速率最大化方法，其特征在于，包括下述步骤：
4、预设ris的反射元素个数n，bs端的天线个数m，多个用户的计算任务与时延要求；
5、构建ris辅助的多用户mec系统，获取各个节点之间的信道状态，构建基于noma的信道模型，基于noma的信道模型得到ris中各个元素的相移；
6、构建多用户mec系统优化目标，计算多用户mec系统的保密率，计算将用户卸载到mec服务器的任务量，设置任务切分系数，基于任务切分系数划分用户卸载到mec服务器的任务量，计算mec服务器上任务执行时间，结合mec服务器上的解码功率计算多用户mec系统的总能耗，将多用户mec系统优化目标设定为保密率与系统总能耗的比值；
7、基于多用户td3深度强化学习算法计算最优解；
8、基于深度强化学习网络的学习结果，调整ris中各个元素的相移、用户卸载到mec服务器的任务量、各个任务的执行时间与任务切分系数，控制多用户mec系统实现安全速率最大化计算。
9、作为优选的技术方案，所述构建基于noma的信道模型，具体表示为：
10、
11、
12、
13、其中，hes分别是用户s与ris、窃听者eve与用户s的总信道参数，hrb、hre、分别是用户s与ris、ris和mec系统、用户s与mec系统、ris与窃听者eve、用户s与窃听者eve之间的直连信道参数，ψ是具有n个变量的ris反射矩阵，表示ris第n个元素的相移。
14、作为优选的技术方案，所述计算多用户mec系统的保密率，具体表示为：
15、
16、
17、
18、
19、其中，cs表示保密率，表示用户i的可达率，ce表示窃听者eve的可达率，ri表示将用户i卸载到mec服务器的任务量，ti+0是用户s卸载任务的时间，b为上行noma的带宽，pi，pj分别为用户i和用户j的发射功率，σ2为噪声功率，hei表示窃听者eve和用户i之间的信道参数，hej表示窃听者eve和用户j之间的信道参数。
20、作为优选的技术方案，所述结合mec服务器上的解码功率计算多用户mec系统的总能耗，具体表示为：
21、
22、
23、
24、
25、
26、
27、
28、
29、
30、其中，etot表示总能耗，εu是在用户s处处理器芯片的能耗系数，εm为mec服务器的能耗系数，rus为用户s的本地计算任务的量，cls是在用户s处计算1比特所需的cpu周期数，eus表示用户s的本地计算能耗，fus表示用户s的本地cpu频率，cmec是在mec服务器上计算1比特所需的cpu周期数，fi+1表示在ti+1时间内mec对应的cpu频率，fi+2表示在ti+2时间内mec对应的cpu频率，fi+3表示在ti+3时间内mec对应的cpu频率，ri表示用户i卸载的任务量，rj表示用户j卸载的任务量，ti+0是用户s卸载任务的时间，α表示任务切分系数，p0表示mec服务器上的解码功率，tui表示用户i本地计算的时间消耗，tuj表示用户j本地计算的时间消耗，ps表示用户s在卸载任务时的功率，tus是用户s本地计算的总时间。
31、作为优选的技术方案，所述将多用户mec系统优化目标设定为保本文档来自技高网...
【技术保护点】
1.一种基于TD3强化学习与智能反射面的移动边缘计算安全速率最大化方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的基于TD3强化学习与智能反射面的移动边缘计算安全速率最大化方法，其特征在于，所述构建基于NOMA的信道模型，具体表示为：
3.根据权利要求1所述的基于TD3强化学习与智能反射面的移动边缘计算安全速率最大化方法，其特征在于，所述计算多用户MEC系统的保密率，具体表示为：
4.根据权利要求1所述的基于TD3强化学习与智能反射面的移动边缘计算安全速率最大化方法，其特征在于，所述结合MEC服务器上的解码功率计算多用户MEC系统的总能耗，具体表示为：
5.根据权利要求1所述的基于TD3强化学习与智能反射面的移动边缘计算安全速率最大化方法，其特征在于，所述将多用户MEC系统优化目标设定为保密率与系统总能耗的比值，具体表示为：
6.根据权利要求1所述的基于TD3强化学习与智能反射面的移动边缘计算安全速率最大化方法，其特征在于，基于多用户TD3深度强化学习算法计算最优解，具体步骤包括：
7.根据权利要求
8.根据权利要求6所述的基于TD3强化学习与智能反射面的移动边缘计算安全速率最大化方法，其特征在于，初始化Actor网络的参数θμ和Critic网络的参数具体包括：
9.根据权利要求6所述的基于TD3强化学习与智能反射面的移动边缘计算安全速率最大化方法，其特征在于，通过选择目标Critic网络输出的最小值计算目标奖励值，表示为：
10.根据权利要求6所述的基于TD3强化学习与智能反射面的移动边缘计算安全速率最大化方法，其特征在于，采用梯度下降法对Critic网络的参数进行更新，具体表示为：
...【技术特征摘要】
1.一种基于td3强化学习与智能反射面的移动边缘计算安全速率最大化方法，其特征在于，包括下述步骤：
2.根据权利要求1所述的基于td3强化学习与智能反射面的移动边缘计算安全速率最大化方法，其特征在于，所述构建基于noma的信道模型，具体表示为：
3.根据权利要求1所述的基于td3强化学习与智能反射面的移动边缘计算安全速率最大化方法，其特征在于，所述计算多用户mec系统的保密率，具体表示为：
4.根据权利要求1所述的基于td3强化学习与智能反射面的移动边缘计算安全速率最大化方法，其特征在于，所述结合mec服务器上的解码功率计算多用户mec系统的总能耗，具体表示为：
5.根据权利要求1所述的基于td3强化学习与智能反射面的移动边缘计算安全速率最大化方法，其特征在于，所述将多用户mec系统优化目标设定为保密率与系统总能耗的比值，具体表示为：
6.根据权利要求...
【专利技术属性】
技术研发人员：陈真，方凯，欧阳雨轩，唐杰，章秀银，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。