基于任务调度与资源分配的分布式数据卸载方法

本发明属于无线通信，具体涉及基于任务调度与资源分配的分布式数据卸载方法。

背景技术：

1、车联网和智能移动终端的普及，催生了vr技术、自动驾驶、增强现实等多种智能应用，这些都需要提供高带宽效率和低延迟的服务。然而，移动设备资源受限严重，无法满足日益增长的资源需求应用的需求。移动边缘计算(mobile edge computing,mec)技术可以弥合应用需求与移动用户(user equipment,ue)有限能力之间的差距，其通过在靠近移动用户的基站(base station,bss)部署mec服务器来执行延迟敏感的服务，将数据卸载给周边高性能设备的移动边缘计算技术能很好地应对时延敏感任务的需求，从而扩展移动用户的计算和数据处理能力。

2、随着边缘计算应用于车联网等相关安全敏感行业，其要求在安全保障的前提下减少时延和节能的性能体验不断提升。由于无线通信的安全脆弱性和车联网中应用的多样性，车联网用户通常在时延和能耗方面既有安全需求，又有各种任务偏好。此外，由于无线信道固有的开放特性，在多接入mec网络中，车联网内部用户之间用频极易发生冲突从而产生互扰，且计算任务在移动节点与mec服务器之间进行数据卸载时容易受到非法用户的窃听(参考文献：salha,audah l,shahn s m,et al.a survey on deep learning forultra-reliable and low-latency communications challenges on 6g wirelesssystems[j].ieeeaccess,2021,pp(99):1-1.)。然而，现有工作很少考虑联合解决此类问题，大多数考虑的是在相对理想的窃听场景中进行分层优化多维资源管理(参考文献：liuy,wang w,cheny h h,et al.physical layer security assisted computationoffloading in intelligently connected vehicle networks[j].ieee transactionson wireless communications,2021,pp(99):1-1.参考文献：yang h,xiong z,zhao j,etal.deep reinforcement learning based massive access management for ultra-reliable low-latency communications[j].ieee transactions on wirelesscommunications,2021(5):20.)。很少考虑到多接入移动卸载系统对于非法用户的窃听和干扰的威胁。此外没有关注到车联网中不同用户在任务传输的优先级、安全性、延迟和能耗方面的特定需求因此，迫切需要研究新的多智能体智能学习方法来解决上述问题。

技术实现思路

1、本发明的目的解决现有技术中车联网中不同用户在任务传输的优先级、安全性、延迟和能耗方面的特定需求未被满足的问题。

2、本技术提供基于任务调度与资源分配的分布式数据卸载方法，包括以下步骤：

3、基于任务调度与资源分配的分布式数据卸载方法，其特征在于，所述方法包括：

4、步骤1，对车联网数据卸载的物理层安全卸载和任务调度问题，进行建模；描述为部分可观测的马尔科夫博弈过程，博弈的参与者是车联网中的车辆，并将联合任务调度、动态频谱接入和计算资源分配进行分布式决策优化；

5、步骤2，车联网内车辆根据自身卸载任务的任务重要信息、信息年龄等任务需求设计奖励加权值，确定任务处理的优先性，并采用合适的边缘计算决策进行数据处理；

6、智能窃听干扰机侦测到车辆用户的数据卸载后，采取信息窃听或者动态干扰的方式阻碍数据传输卸载行为；

7、步骤3，车联网的用户群内用户根据感知到的干扰机行为及其他用户的数据卸载行为，调整各自的信道接入、数据卸载比、发射功率和任务调度在内的边缘计算策略，以实现最大化网络内部用户需求满意度为优化目标；

8、步骤4，当车联网内多用户完成上述调整后，群智算法完成一次迭代，当所有车联网用户的多维通信资源实现合理分配，或者达到设定迭代次数后，结束进程。

9、进一步的，对车联网数据卸载的物理层安全卸载和任务调度问题，进行建模包括：

10、将基于物理层安全的车联网数据卸载问题，建模为非线性混合整数规划决策问题；

11、将车联网数据卸载的物理层安全问题进行建模分析，分析车联网内的本地计算和安全移动卸载问题。

12、进一步的，将步骤1中基于物理层安全的车联网数据卸载问题，建模为非线性混合整数规划决策问题，具体如下：

13、设定外界可用信道集为并满足移动设备数为n个；对于移动用户i来说，每个任务用包括三个元组(di(t),ci(t),τi(t))组成的，其中di(t)是计算任务的数据大小；ci(t)表示计算任务所需的cpu周期数，τi(t)给出了计算任务的最大可容忍延迟时间；当第t个计算任务在某个移动用户端生成或者到达时，移动用户系统必须根据确定该任务是需要被部分或者全部卸载到基站还是只在本地进行计算；

14、oi(t)表示t时刻基站m是否与移动端用户相连，当oi(t)＝1时，移动端用户的与基站m相连；反之，oi(t)＝0；此外，定义移动用户i所选的接入信道，卸载比例，传输功率以及当前卸载任务分别为αi(αi∈[0,1])，pi(pi∈[pmin,pmax])，用户进行数据卸载时，如果所选信道被严重干扰阻塞导致卸载失败，用户必须切换信道；而在当前信道良好的情况下，终端通过调整卸载比例、传输功率实现任务数据的高效、安全卸载；

15、假设每个用户只能选择其中m个信道进行感知，按照预设规律进行，其中1＜m＜m；m为当前信道总数，通过感知所选择的信道，用户可以了解到相应的信道状态，而其他所有未被选择的信道的状态对用户来说是未知的；因此，从用户的角度来看，从m个信道中选择状态良好的信道是一种局部马尔科夫过程，其中用户的目标是根据之前的决策了解信道状态变化的模式；

16、定义当前选择的信道指标的观测值为：

17、

18、在上式中，xi,t表示时间时隙t的第i个信道的状态，t表示当前时隙；定义信道状态如下所示：

19、

20、di,t＝1/(n-1)表示是n个用户都选择当前信道且当前信道为好频段的折扣因子0＜di,t＜1；

21、mi,t＝n/n表示是n个用户在当前时隙同时选择信道状态为差频段的折扣因子。

22、进一步的，本地计算模型和安全卸载模型具体如下所示：

23、车辆用户需要根据任务的时效性以及任务优先级的要求在具有窃听者存在的多接入移动计算场景中安全地将数据卸载到基站；

24、在进行边缘计算过程中，每个用户有一个最大的cpu频率；对于本地计算，用户必须保证其计算能力能够在最大可容忍延迟时间内完成本地任务；其中本地计算延迟til为本地用户算力处理计算任务所需时间，定义为：

25、

26、其中，表示为mec服务器分配给终端的计算能力，表示边缘计算设备分配给用户的计算能力；

27、移动用户i最大容忍延迟τi(t)的约束为τi(t)≥til；如果卸载模式的延迟超过本地计算模式的延迟，就需要通过提高卸载比的方式减少本地计算量用以满足时间约束；第t个任务中的本地计算能量消耗为：

28、

29、其中为用户的有效电容切换参数；

30、根据信号功率、信道增益、干扰功率以及其他用户的互扰，将网络内独立用户的发射端功率域效用函数定义为：

31、

32、其中pt表示移动用户传输功率，pj为干扰机的干扰功率，wi,b为用户和基站之间的传输链路信道增益，hi,j为干扰和移动用户之间的干扰链路信道增益，pn表示其他用户的发射功率，wn,b为在同一频段中其他用户到基站的链路增益，基站接收端的噪声谱密度为n0；

33、根据香农信道容量理论，用户i到基站的信道容量ri,b与用户i到窃听干扰机j的信道容量ri,j分别为：

34、

35、

36、其中b为系统带宽，ni为用户i到窃听干扰机的背景噪声功率，λ为基站接收数据的解调阈值；根据上述表达式得出用户i对抗窃听干扰机j的安全容量为

37、

38、其中[x]+表示max{x,0}；将移动用户i卸载到基站的卸载速率表示为ri,b，安全卸载速率必须满足的条件，以防止窃听干扰机j对卸载任务进行窃听；

39、对于第t个计算任务，用户的总卸载延迟表示为:

40、

41、在能耗方面，关注移动用户的能耗；每个用户的能耗表示为本地计算和安全计算迁移两部分；第t个任务到达时的能量消耗为:

42、

43、引入安全成功传输指标xi,b＝{-1,0,1}来表示用户i对于传输任务t的卸载安全性；xi,b＝1意味着卸载过程的安全性能够保证，且不会被动态干扰所阻，即xi,b＝0意味着卸载过程中虽然安全性能保证，但是干扰破坏了数据传输，即否则xi,b＝-1，即

44、在衡量安全部分计算卸载时为用户i引入了一个归一化的能耗和延迟归一化计算方式如下所示：

45、

46、

47、其中应小于或等于1，以满足用户i对计算任务的延迟限制。

48、进一步的，步骤2中奖励加权机制如下：

49、每个数据包对应的紧急级别为ξ∈{1,2,…,v}；ξ＝0表示数据队列中的任务为空；新的数据包按照泊松分布进入队列，其均值为λ；设用户生成数据包数量的随机变量为将每个新生成的数据包插入紧迫性指标ξ以及最大信息年龄限制τend；当用户所传输的任务超过最大阈值年龄时任务失效，并从年龄和紧迫性状态向量中移除；基于此，提出一个奖励函数加权值来鼓励这种行为；用户i传输数据包所设定的奖励加权值ιy如下所示：

50、

51、其中tage表示该任务在传输前的等待时间。

52、进一步的，步骤3车联网的用户群内用户根据感知到的干扰机行为及其他用户的数据卸载行为，调整各自的边缘计算策略，以实现最大化网络内部用户需求满意度为优化目标，包括：

53、用户i定义包括任务调度、安全传输、时延减少和节能在内的用户需求满意度指标：

54、

55、其权重值μ的范围为0≤μ≤1；

56、在优化问题中，目标是为每个用户的计算任务找到一个最优的数据卸载决策{pi,fi,αi,yi}，使需求满足度rsi(t)最大化，即在保证任务旨在最小化每个用户在延迟和能量消耗方面的计算成本，同时确保在窃听干扰机存在下的任务卸载安全性；综上所述，网络内优化问题表示为：

57、

58、其中p,α,f分别为与基站相连各用户的功率、卸载比、频率等资源分配矩阵，yi(t)表示t时刻用户i所选择的传输任务；约束表示了移动用户可以选择的多维异构决策范围。

59、进一步的，当车联网内多用户完成上述调整后，群智算法完成一次迭代，当所有车联网用户的多维通信资源实现合理分配，或者达到设定迭代次数后，结束进程，包括：

60、步骤4.1，移动用户通过信道感知观察当前状态，并根据以下规则进行数据卸载决策：

61、(1)移动用户数据卸载决策ai(t)以ε概率进行随机决策；

62、(2)移动用户所选择的移动数据卸载决策是以1-ε为概率进行选择(ai(t)＝argmaxq(oi(t),ai,θi))；

63、步骤4.2，在用户执行数据卸载后，基站根据其数据卸载情况将反馈奖励回传给用户并将生成的数据输入设计的神经网络中进行拟合，将历史奖励经验存储在经验回访池l中；

64、步骤4.3，各自用户的神经网络进行拟合过程中计算td目标值，并根据奖励计算期望回报，同时更新观测gi，更新信道状态xi,t；

65、步骤4.4循环迭代，直至达到最大迭代次数，求出车联网内用户的最优边缘计算决策以满足各自用户任务的计算与卸载需求。

66、进一步的，在步骤4.2神经网络进行拟合的具体过程为：

67、定义用户i训练其深度q网络的损失函数为：

68、

69、其中为独立用户i的神经网络权重，表示目标网络参数；目标网络参数由网络权重相对固定的目标神经网络生成，即其中为目标神经网络的权重系数；目标神经网络与估计神经网络具有相同的网络结构，其权重每隔一段时间复制神经网络的权重，其他时间保持不变。

70、本发明与现有技术相比，其显著优点在于：(1)充分考虑了任务调度、卸载策略和资源分配三者之间的交互机制，提供一种高效的联合资源优化建模，以实现最大化网络内部用户需求满意度为优化目标，实现了问题的量化求解。多用户在同一信道上进行通信时用户之间的互干扰，提出了建模更加精确、物理意义更加清晰的基于物理层安全下的车联网数据卸载模型，能够更好地刻画车联网用户数据卸载场景；(2)提出了一种基于自适应编码调制与动态频谱接入技术相结合的抗干扰通信算法，通过独立用户自主感知外界信道环境，选择安全的数据卸载决策以及传输信道，并引入相关的系统开销因子，用以提高信道接入决策的稳定性。