【技术实现步骤摘要】
本专利技术涉及边缘计算领域，具体是一种智能反射面辅助的移动边缘计算网络下任务卸载优化方法。
技术介绍
1、随着物联网技术的迅猛发展，众多功能强大的用户设备得以研发，并广泛应用于智能家居、智能城市、智能健康等领域。这些设备的涌现带来了大量计算任务的需求，需要高速数据传输、强大计算能力和低延迟的支持。然而，用户设备自身的计算能力通常有限，很难满足不断增长的计算需求。近年来，移动边缘计算迅速崛起，为用户设备提供了计算和存储能力，以满足用户服务质量。然而，边缘节点和设备之间的无线信道质量可能会严重影响计算任务的卸载效率，导致移动边缘计算的潜力很难被充分利用。
2、目前普遍采用的无线信道优化方法是将用户设备的计算任务卸载到基站执行，但是此优化方法存在着一些难以解决的问题：第一，这种方法只考虑了全局最优。但是，每个用户只关注自己的利益(比如延迟或能耗等)，全局最优反而会导致某些用户的利益受到损失；第二，在卸载过程中，任务很容易被潜在的窃听者窃听，导致敏感的个人信息泄露；第三，这种方法只考虑了静态系统的性能，忽略了动态系统中不同的资源需求和时变系统条件。
技术实现思路
1、本专利技术的目的是提供一种智能反射面辅助的移动边缘计算网络下任务卸载优化方法，包括以下步骤：
2、1)建立智能反射面辅助的移动边缘计算系统；
3、2)基于所述移动边缘计算系统，构建通信及数据安全模型；
4、3)构建不同卸载决策下的延迟优化目标；
5、4)将延迟优化目标
6、5)对建模为马尔科夫决策过程的延迟优化目标进行求解，得到计算卸载和资源分配方案。
7、进一步，所述智能反射面辅助的移动边缘计算系统包括基站、k个用户设备、i个智能反射面和窃听者；其中，每个基站均配备有边缘服务器。
8、进一步，所述通信及数据安全模型包括用户设备k通过智能反射面将计算任务上传至基站或窃听者的传输速率方程、用户设备k直接将计算任务上传至基站或窃听者的传输速率方程、智能反射面进行任务卸载的安全率方程和直接进行任务卸载的安全率方程；
9、进一步，用户设备k通过智能反射面将计算任务上传至基站或窃听者的传输速率方程分别如下所示：
10、
11、
12、式中，hi,k(t)和hi,e,k(t)分别表示用户设备通过智能反射面i上传到基站和窃听者的有效信道增益；bk表示分配给设备k的频谱带宽；pk表示设备k的传输功率；和分别表示用户设备和窃听者处的高斯白噪声；ri,k(t)、ri,e,k(t)分别表示用户设备k通过智能反射面i将计算任务上传至基站、窃听者的传输速率；为用户设备数量；为智能反射面数量；
13、用户设备k直接将计算任务上传至基站或窃听者的传输速率方程分别如下所示：
14、
15、
16、其中，hd,k(t)和hde,k(t)分别表示用户设备与基站和窃听者之间的直接信道增益；r0,k(t)、r0,e,k(t)分别表示用户设备直接将计算任务上传至基站、窃听者的传输速率；
17、设系统中存在窃听者，使用智能反射面进行任务卸载和直接进行任务卸载的安全率方程分别如下所示：
18、
19、
20、式中，μi,k(t)表示使用智能反射面i进行任务卸载的安全率；μ0,k(t)表示直接进行任务卸载的安全率。
21、进一步，使用智能反射面进行任务卸载时，安全率的约束条件为：μi,k(t)>0；
22、直接进行任务卸载时，安全率的约束条件为：μ0,k(t)>0。
23、进一步，使用智能反射面进行任务卸载时，安全率的约束条件为：μi,k(t)>所述不同卸载决策下的延迟优化目标如下所示：
24、
25、式中，t为时间周期；fk(t)表示分配给任务的计算资源数量；用户的卸载决策决策参数表示任务在本地执行，决策参数bi,k(t)＝1表示任务通过智能反射面i进行卸载，决策参数b0,k(t)＝1表示任务直接卸载到基站；
26、其中，总的任务执行延迟如下所示：
27、
28、
29、其中，本地执行任务时延用户设备通过智能反射面传输计算任务到基站的任务执行延迟ti,k(t)、用户设备将计算任务直接卸载到基站的任务执行延迟t0,k(t)分别如下所示：
30、
31、
32、
33、式中，ck(t)为完成任务所需要的cpu周期数；lk为每个用户设备的计算能力；
34、其中，计算任务在基站执行的计算延迟计算任务直接卸载到基站执行的传输延迟计算任务通过智能反射面卸载到基站执行的传输延迟分别如下所示：
35、
36、
37、
38、式中，dk(t)表示任务数据量。
39、进一步，状态空间如下所示：
40、
41、s(t)＝(s1(t),s2(t),…,sk(t)),
42、式中，jk(t)表示任务信息，hk(t)表示信道增益集合，表示智能反射面的反射角度，fbs(t)表示基站的可用计算资源；sk(t)为智能体k的局部状态；s(t)为系统的全局状态；所述智能体为用户设备；
43、智能体k的动作空间ak(t)如下所示：
44、ak(t)＝(bk(t),fk(t)0.
45、智能体k的奖励函数如下所示：
46、
47、式中，r(sk(t),ak(t))表示奖励。
48、进一步，每个智能体均包括行动者网络和批评者网络；所述行动者网络用于制定策略，批评者网络用于评估动作的价值，以指导行动者网络更新计算卸载和资源分配方案以优化性能。
49、进一步，对建模为马尔科夫决策过程的延迟优化目标进行求解的方法包括基于多智能体强化学习的计算卸载和资源分配方法。
50、进一步，对建模为马尔科夫决策过程的延迟优化目标进行求解的步骤包括：
51、5.1)初始化每个智能体的行动者网络和批评者网络参数；所述参数包括学习率，最大episode；
52、5.2)在当前迭代轮次t，每个智能体观察环境状态，利用行动者网络生成动作，智能体执行动作获得奖励并转为下一个状态；
53、5.3)将每个智能体的经验元组存储在经验回放区中，以用于训练；所述经验元组包括状态、动作、奖励、下一个状态；
54、5.4)行动者网络更新参数，得到：
55、
56、式中，表示集中的动作值函数，vk(sk)表示智能体的确定性策略；es,a分别表示智能体的策略梯度和期望；sk为智能体k的局部状态；ak表示动作；θk为网络参数；s为状态；
57本文档来自技高网...
【技术保护点】
1.一种智能反射面辅助的移动边缘计算网络下任务卸载优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种智能反射面辅助的移动边缘计算网络下任务卸载优化方法，其特征在于，所述智能反射面辅助的移动边缘计算系统包括基站、K个用户设备、I个智能反射面和窃听者；其中，每个基站均配备有边缘服务器。
3.根据权利要求1所述的一种智能反射面辅助的移动边缘计算网络下任务卸载优化方法，其特征在于，所述通信及数据安全模型包括用户设备k通过智能反射面将计算任务上传至基站或窃听者的传输速率方程、用户设备k直接将计算任务上传至基站或窃听者的传输速率方程、智能反射面进行任务卸载的安全率方程和直接进行任务卸载的安全率方程。
4.根据权利要求3所述的一种智能反射面辅助的移动边缘计算网络下任务卸载优化方法，其特征在于，用户设备k通过智能反射面将计算任务上传至基站或窃听者的传输速率方程分别如下所示：
5.根据权利要求4所述的一种智能反射面辅助的移动边缘计算网络下任务卸载优化方法，其特征在于，使用智能反射面进行任务卸载时，安全率的约束条件为：μi,k(t)&g
6.根据权利要求1所述的一种智能反射面辅助的移动边缘计算网络下任务卸载优化方法，其特征在于，所述不同卸载决策下的延迟优化目标如下所示：
7.根据权利要求1所述的一种智能反射面辅助的移动边缘计算网络下任务卸载优化方法，其特征在于，状态空间如下所示：
8.根据权利要求7所述的一种智能反射面辅助的移动边缘计算网络下任务卸载优化方法，其特征在于，每个智能体均包括行动者网络和批评者网络；所述行动者网络用于制定策略，批评者网络用于评估动作的价值，以指导行动者网络更新计算卸载和资源分配方案以优化性能。
9.根据权利要求1所述的一种智能反射面辅助的移动边缘计算网络下任务卸载优化方法，其特征在于，对建模为马尔科夫决策过程的延迟优化目标进行求解的方法包括基于多智能体强化学习的计算卸载和资源分配方法。
10.根据权利要求1所述的一种智能反射面辅助的移动边缘计算网络下任务卸载优化方法，其特征在于，对建模为马尔科夫决策过程的延迟优化目标进行求解的步骤包括：
...【技术特征摘要】
1.一种智能反射面辅助的移动边缘计算网络下任务卸载优化方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种智能反射面辅助的移动边缘计算网络下任务卸载优化方法，其特征在于，所述智能反射面辅助的移动边缘计算系统包括基站、k个用户设备、i个智能反射面和窃听者；其中，每个基站均配备有边缘服务器。
3.根据权利要求1所述的一种智能反射面辅助的移动边缘计算网络下任务卸载优化方法，其特征在于，所述通信及数据安全模型包括用户设备k通过智能反射面将计算任务上传至基站或窃听者的传输速率方程、用户设备k直接将计算任务上传至基站或窃听者的传输速率方程、智能反射面进行任务卸载的安全率方程和直接进行任务卸载的安全率方程。
4.根据权利要求3所述的一种智能反射面辅助的移动边缘计算网络下任务卸载优化方法，其特征在于，用户设备k通过智能反射面将计算任务上传至基站或窃听者的传输速率方程分别如下所示：
5.根据权利要求4所述的一种智能反射面辅助的移动边缘计算网络下任务卸载优化方法，其特征在于，使用智能反射面进行任务卸载时...
【专利技术属性】
技术研发人员：蔡春茂，吴映波，李秀华，陈凌霄，郝金隆，程路熙，范琪琳，杨正益，文俊浩，
申请(专利权)人：重庆大学，
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。