技术特征：
1.一种5g边缘计算环境下计算任务智能卸载和安全保障方法，其特征在于，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。2.根据权利要求1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，其特征在于，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。3.根据权利要求1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，其特征在于，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。4.根据权利要求3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，其特征在于，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。5.根据权利要求4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，其特征在于，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
。6.根据权利要求2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，其特征在于，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。
技术总结
本发明公开了一种5G边缘计算环境下计算任务智能卸载和安全保障方法，该方法首先考虑用户在卸载过程当中的移动性，估计用户在基站的停留时间，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，以最大化系统效益为目标，采用Q
技术研发人员：赵海涛 张晗 张晖 陈志远 娄兴良 倪艺洋 夏文超 蔡艳
受保护的技术使用者：中兴通讯股份有限公司
技术研发日：2021.08.12
技术公布日：2021/9/9