一种5G边缘计算环境下计算任务智能卸载和安全保障方法与流程

一种5g边缘计算环境下计算任务智能卸载和安全保障方法
技术领域
1.本发明涉及通信技术领域，特别是一种5g边缘计算环境下计算任务智能卸载和安全保障方法。


背景技术：

2.由于通信技术的快速发展，通信的方式也日趋多样化，一系列新的通信服务例如显增强现实服务(ar)， 虚拟现实服务(vr)，自动驾驶技术等等，与传统的通信技术不同，这些实时服务需要对大量的应用数据进行快速的处理，但由于终端设备的资源受限，通过移动边缘计算(mec)可以将部分计算任务写在到边缘服务器，从而对应用数据进行快速的处理。
3.但是目前的移动边缘计算仍然存在许多问题，比如在任务卸载期间，用户可以选择经由无线信道将计算任务的数据卸载到mec服务器，此时可能导致敏感的私人数据受到侵犯；再比如，随着某些区域内用户数目的指数型扩增，可能会导致不同基站的负载各不相同，某些基站可能严重负载，而某些基站可能仍有大量计算资源剩余，急需对不同覆盖范围的基站进行负载均衡；此外，在任务卸载期间，用户的移动性也可能会使得用户无法获得计算结果，导致计算资源和能量的浪费。
4.针对以上的三个问题，该方法首先考虑用户在卸载过程当中的移动性，估计用户的停留时间，为用户指配合适的本地基站，以最大化系统效益为目标，采用q
‑
learning得到用户的最佳卸载方案；其次考虑了基站之间的负载均衡，对用户任务进行优先级排序，为任务指配合适的基站卸载，从而更加有效地利用mec服务器的计算资源和基站的信道资源；此外还考虑了卸载时用户任务的安全性，对用户任务采用了基于多维生物特征的aes加密方式，避免计算卸载时的数据遭到泄露。


技术实现要素：

5.本发明所要解决的技术问题是克服现有技术的不足而提供一种5g边缘计算环境下计算任务智能卸载和安全保障方法，该方法应用于多用户多mec服务器的网络场景，考虑了用户在卸载过程中的移动性估计用户的停留时间，同时还考虑了消耗的时延和能量，以及用户向mec服务器支付的费用，采用q
‑
learning以最大化系统效益为目标，得到用户的卸载方案，此外还考虑了基站之间的负载均衡，对用户任务进行优先级排序，从而更加有效地利用mec服务器的计算资源和基站的信道资源，最后考虑了卸载时用户任务的安全性，对mec与用户之间传送的数据采用基于多维生物特征的aes加密，避免传输时用户数据遭到泄露。
6.本发明为解决上述技术问题采用以下技术方案：根据本发明提出的一种5g边缘计算环境下计算任务智能卸载和安全保障方法，包括以下步骤：步骤1、考虑用户移动性，估计用户停留在基站的停留时间，为每个用户指配本地
基站；步骤2、考虑用户在卸载过程当中的移动性、消耗的时延和能量，以及用户向mec服务器支付的费用，采用强化学习q
‑
learning方法以最大化通信系统的效益为目标，得到用户的卸载决策方案；步骤3、对用户的任务进行优先级排序，并采用负载均衡的方式为排序好的用户的任务分配信道资源和计算资源，并且从节约mec服务器和基站能耗的角度为任务指配基站卸载。
7.作为本发明所述的一种5g边缘计算环境下计算任务智能卸载和安全保障方法进一步优化方案，步骤3之后还包括步骤4，步骤4、对mec服务器与用户之间传输的数据采用基于多维生物特征的aes加密。
8.作为本发明所述的一种5g边缘计算环境下计算任务智能卸载和安全保障方法进一步优化方案，步骤1中为每个用户指配本地基站包括：步骤1
‑
1、第i个用户搜寻预设范围内的可用的基站，将可用的基站添加到集合m中，基站的覆盖半径为r
j
，其中1≤i≤n，n为用户总数；步骤1
‑
2、gps模块定位所在的位置，对于集合m中的每一个基站m
j
，求出用户与基站之间的距离d
i,j
、用户前进方向向量、用户与m
j
之间的方向向量、以及与之间的夹角；步骤1
‑
3、对于集合m中的m
j
，计算出用户沿着走出m
j
所需要的距离；步骤1
‑
4、对于集合m中的m
j
，估计出第i个用户停留在第j个基站的停留时间，v
i 为用户的移动速度，选择出集合m中t
i,j
最长的基站，选择该基站作为本地基站。
9.作为本发明所述的一种5g边缘计算环境下计算任务智能卸载和安全保障方法进一步优化方案，步骤2中，考虑用户的移动性，考虑两种情况的场景：情况（1）：当用户的任务完成时间小于停留时间，则说明用户能够在停留时间内完成任务；情况（2）：当用户的任务完成时间大于等于停留时间，则说明用户在任务完成之前移动到其他基站，则需要将mec服务器处理任务后得到的结果重新传到目标基站，产生额外时延和能量消耗；根据这两种情况，定义第i个用户的任务，d
i
为task
i
的输入数据量，为单位数据的任务所需资源，t
imax
为task
i
时延的时限；第i个用户采用本地计算时的能耗e
il
表示为：，时延t
il
表示为：，k表示能量系数，
f
il
表示用户本地的cpu频率；当第i个用户采用mec服务器计算时的能耗e
im
表示为：，时延t
im
表示为：，p
i 表示为第i个用户的发射功率，t
imt
表示第i个用户的数据传输时延，r
i
表示为第个用户的数据传输速率，t
ime
表示为第i个用户的mec服务器的处理时延，能量收益g
ie
定义为，为能量权重系数，时延收益g
it
定义为，为时延权重系数；同时还需考虑用户向mec服务器支付的服务费用，支付的费用 price
i
由mec服务器的计算处理能力，以及用户的任务的计算量决定，定义，为服务器定价系数，f
i
为第i个用户的本地mec服务器的计算资源，c
i 为 task
i 所需的计算量；当用户任务task
i
处在情况（1）时，效益函数定义为；当用户任务task
i
处在情况（2）时，效益函数为，其中z
im
表示将计算结果从当前基站传输到目标基站所消耗的开销，即，为系数；计算结果是指将用户任务传输给mec服务器处理，任务处理后返回的结果就是计算结果；综合考虑以上两种情况的场景的移动性卸载问题表示为最大化效益问题：综合考虑以上两种情况的场景的移动性卸载问题表示为最大化效益问题：综合考虑以上两种情况的场景的移动性卸载问题表示为最大化效益问题：综合考虑以上两种情况的场景的移动性卸载问题表示为最大化效益问题：综合考虑以上两种情况的场景的移动性卸载问题表示为最大化效益问题：综合考虑以上两种情况的场景的移动性卸载问题表示为最大化效益问题：综合考虑以上两种情况的场景的移动性卸载问题表示为最大化效益问题：其中，为决策集合，f为mec服务器总的计算资源，n为所有用户编号的集合，定义为，x为自变量，f
i
为第i个用户的本地mec服务器的计算资源，a
i
为第i个用户的决策，当a
i =1时表示在mec服务器进行卸载计算，当a
i
=0时表示在用户本地进行卸载计算，为第i个用户的收益，g
it
为第i个用户的时延收益，g
ie
为第i 个用户的能量
收益；采用强化学习q
‑
learning方法以最大化通信系统的效益为目标，得到用户的卸载决策方案。
10.作为本发明所述的一种5g边缘计算环境下计算任务智能卸载和安全保障方法进一步优化方案，步骤3包括以下步骤：步骤3
‑
1、每个基站按照优先级对基站内的任务task
i 升序排列，d
m
为第m个用户的任务的输入数据量，t
mmax
为第m个用户的任务的可容忍时限，a
m
为第m个用户的任务的决策，(a
m
=1)为所有在mec服务器进行卸载的用户编号的集合；步骤3
‑
2、每个基站按照任务优先级为用户任务分配信道资源，当信道资源不足时，则后续任务排队等待信道释放；步骤3
‑
3、每个基站按照任务优先级为用户的任务分配计算资源；步骤3
‑
4、某基站的mec服务器计算资源不足时，该基站向基站控制器发送请求，汇报当前任务所需的计算资源，基站控制器向所有基站广播，搜寻所有剩余计算资源的基站集合，在基站集合中选择剩余资源最少的目标基站对task
i
进行完全卸载；步骤3
‑
5、当处理到task
i
，所有基站的剩余计算资源的时候，则基站控制器将任务task
i
等分为份子任务，每一个子任务都按照步骤3
‑
4执行，寻找基站卸载；若仍有某个子任务使得，则结束此任务task
i
。
11.作为本发明所述的一种5g边缘计算环境下计算任务智能卸载和安全保障方法进一步优化方案，步骤4具体如下：步骤4
‑
1、用户设备采集到用户的指纹特征以及人脸特征，将提取到的特征作为aes算法的密钥；步骤4
‑
2、用户采用aes算法，使用密钥对任务task
i
的数据进行加密，形成加密后的；步骤4
‑
3、用户将秘钥传输给基站控制器进行保管，当某一基站需要对某一任务进行计算时，则该基站向基站控制器请求秘钥，通过身份认证后取得秘钥，对进行解密计算；步骤4
‑
4、采用该秘钥将计算结果加密后，返回给用户。
12.本发明采用以上技术方案与现有技术相比，具有以下技术效果：（1）本发明提出来一种考虑用户移动性的卸载方法，对基站内每个用户的停留时间进行估计，为每个用户指配合适的本地基站，采用q
‑
learning的强化学习方法最大化系统的效益，得到最佳的用户卸载策略；（2）本发明提出了一种基站之间的负载均衡方法，对用户任务进行优先级排序，为
任务指配合适的基站卸载，从而更加有效地利用mec服务器的计算资源和基站的信道资源；（3）本发明提出了一种卸载任务加密方式，对用户任务采用了基于多维生物特征的aes加密方式，考虑了卸载时用户任务的安全性，避免卸载时的任务数据遭到泄露。
附图说明
13.图1为本发明提供的一种5g边缘计算环境下计算任务智能卸载与安全保障优化方法的流程图。
14.图2为本发明提供的一种5g边缘计算环境下计算任务智能卸载与安全保障优化方法的模型图。
15.图3为本发明提供的一种5g边缘计算环境下计算任务智能卸载与安全保障优化方法中所述用户在基站中的移动模型图。
16.图4为本发明提供的一种5g边缘计算环境下计算任务智能卸载与安全保障优化方法中所述q
‑
learning方法的流程图。
具体实施方式
17.为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。
18.如图1所示，一种5g边缘计算环境下计算任务智能卸载与安全保障优化方法，该方法应用于多用户多mec服务器的网络场景，考虑了用户在卸载过程中的移动性估计用户的停留时间，同时还考虑了消耗的时延和能量，以及用户向mec服务器支付的费用，采用q
‑
learning以最大化系统效益为目标，得到用户的卸载方案，此外还考虑了基站之间的负载均衡，对用户任务进行优先级排序，从而更加有效地利用mec服务器的计算资源和基站的信道资源，最后考虑了卸载时用户任务的安全性，对mec与用户之间传送的数据采用基于多维生物特征的aes加密，避免传输时用户数据遭到泄露，包括如下步骤：第一步：考虑用户移动性，估计用户停留在基站的停留时间，为每个用户指配合适的本地基站；第二步：考虑用户在卸载过程当中的移动性，消耗的时延和能量，以及用户向mec服务器支付的费用，采用q
‑
learning以最大化系统效益为目标，得到最卸载方案；第三步：对用户任务进行优先级排序，并采用负载均衡的方式为排序好的用户任务分配信道资源和计算资源，并且从节约mec和基站能耗的角度为任务指配合适的基站卸载；第四步：对mec与用户之间传输的数据采用基于多维生物特征的aes加密;如图3所示，步骤1中为每个用户指配本地基站包括：步骤1
‑
1、第i个用户搜寻预设范围内的可用的基站，将可用的基站添加到集合m中，基站的覆盖半径为r
j
，其中1≤i≤n，n为用户总数；可用的基站是满足用户在基站覆盖范围之内。
19.步骤1
‑
2、gps模块定位所在的位置，对于集合m中的每一个基站m
j
，求出用户与基站之间的距离d
i,j
、用户前进方向向量、用户与m
j
之间的方向向量、以及与
之间的夹角；步骤1
‑
3、对于集合m中的m
j
，计算出用户沿着走出m
j
所需要的距离；步骤1
‑
4、对于集合m中的m
j
，估计出第i个用户停留在第j个基站的停留时间，v
i 为用户的移动速度，选择出集合m中t
i,j
最长的基站，意味着用户在该基站下停留的时间最长，选择该基站作为本地基站。
20.进一步的，步骤2中，强化学习方法是为了得到第i个用户的卸载决策a
i
，当a
i
=0时表示在本地进行计算，当a
i =1时表示在mec服务器进行卸载计算，决策集合是所有用户的卸载决策，为用户的总数；如图2所示，考虑用户的移动性，考虑两种实际情况：情况（1）：当用户的任务完成时间小于停留时间，则说明用户能够在停留时间内完成任务；情况（2）：当用户的任务完成时间大于等于停留时间，则说明用户在任务完成之前移动到其他基站，则需要将计算结果（mec服务器处理任务后得到的结果）重新传到目标基站，产生额外时延和能量消耗，计算结果是指将用户任务传输给mec处理，任务处理后返回的结果就是计算结果；根据上述两种情况，定义第i个用户的任务，d
i
为task
i
的输入数据量，为单位数据的任务所需资源，t
imax
为task
i
时延的时限；第i个用户采用本地计算时的能耗e
il
表示为：，时延t
il
表示为：，k表示能量系数，f
il
表示用户本地的cpu频率；当第i个用户采用mec服务器计算时的能耗e
im
表示为：，时延t
im
表示为：，p
i 表示为第i个用户的发射功率，t
imt
表示第i个用户的数据传输时延，r
i
表示为第个用户的数据传输速率，t
ime
表示为第i个用户的mec服务器的处理时延，能量收益g
ie
定义为，为能量权重系数，时延收益g
it
定义为，为时延权重系数。
21.同时还需考虑用户向mec服务器支付的服务费用，支付的费用 price
i
由mec服务器的计算处理能力，以及用户的任务的计算量决定，定义，为服务器定价系数，f
i
为第i个用户的本地mec服务器的计算资源，c
i 为 task
i 所需的计算量当用户任务task
i
处在情况（1）时，效益函数定义为；当用户任
务task
i
处在情况（2）时，效益函数为，其中z
im
表示将计算结果从当前基站传输到目标基站所消耗的开销，即，为系数；计算结果是指将用户任务传输给mec服务器处理，任务处理后返回的结果就是计算结果。
22.综合考虑以上两种情况，该场景的移动性卸载问题表示为最大化效益问题：综合考虑以上两种情况，该场景的移动性卸载问题表示为最大化效益问题：综合考虑以上两种情况，该场景的移动性卸载问题表示为最大化效益问题：综合考虑以上两种情况，该场景的移动性卸载问题表示为最大化效益问题：综合考虑以上两种情况，该场景的移动性卸载问题表示为最大化效益问题：综合考虑以上两种情况，该场景的移动性卸载问题表示为最大化效益问题：综合考虑以上两种情况，该场景的移动性卸载问题表示为最大化效益问题：其中，为决策集合，f为mec服务器总的计算资源，n为所有用户编号的集合，定义为，x为自变量，f
i
为第i个用户的本地mec服务器的计算资源，a
i
为第i个用户的决策，当a
i =1时表示在mec服务器进行卸载计算，当a
i
=0时表示在用户本地进行卸载计算，为第i个用户的收益，g
it
为第i个用户的时延收益，g
ie
为第i 个用户的能量收益；针对上述最优化问题，强化学习q
‑
learning方法定义了状态，决策集合和奖励 ，表示为：，表示用户所处基站的用户数，表示基站中每个用户的任务的所需资源，表示用户的移动特性；，为决策集合，当时表示用户在本地进行计算，当时表示用户在mec服务器进行卸载计算；，用目标函数表示奖励，为归一化系数；如图4所示，q
‑
learning方法的具体步骤如下：1、初始化q表，为状态，为决策集合，是q表的计算方式；
2、对于每个时隙，随机分配当前时刻的状态，对当前的状态选择决策集合，计算；3、 更新q表，；4、 更新状态；5、重复步骤 2~4，直到达到最终状态。
23.所述步骤3中的用户任务信道资源和计算资源的分配考虑了任务的完全卸载和部分卸载结合以及基站之间的负载均衡，还包括以下步骤：a. 每个基站按照优先级对基站内的任务升序排列，为第个用户的任务的输入数据量，为第个用户的任务的可容忍时限，第个用户的任务的决策，为所有在mec服务器进行卸载的用户编号的集合；b. 每个基站按照任务优先级为用户任务分配信道资源，当信道资源不足时，则后续任务排队等待信道释放；c. 每个基站按照任务优先级为用户任务分配计算资源；d. 某基站的mec服务器计算资源不足时，该基站向基站控制器发送请求，汇报当前任务所需的计算资源，基站控制器向所有基站广播，搜寻所有剩余计算资源的基站集合，在基站集合中选择剩余资源最少的目标基站对进行完全卸载；e. 当处理到，所有基站的剩余计算资源的时候，则基站控制器将任务等分为份子任务，每一个子任务都按照步骤3
‑
4执行，寻找基站卸载；若仍有某个子任务使得，则结束此任务。
24.所述步骤4中的采用多维生物特征可以提高aes算法密钥的随机性和保密性，还包括步骤：a. 用户设备采集到用户的指纹特征以及人脸特征，将提取到的特征作为aes算法的密钥；b. 用户采用aes算法，使用密钥对任务的数据进行加密，形成加密后的；c. 用户将秘钥传输给基站控制器进行保管，当某一基站需要对某一任务进行计算时，则该基站向基站控制器请求秘钥，通过身份认证后取得秘钥，对进行解密计算；d. 采用该秘钥将计算结果加密后，返回给用户。
25.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何
熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围内。