RIS辅助的智能物联网安全计算卸载与服务缓存方法

本发明属于无线通信领域，涉及一种ris辅助的智能物联网安全计算卸载与服务缓存方法，属于移动边缘计算范畴。

背景技术：

1、智能设备的普及促进了延迟敏感和计算密集应用的不断涌现，如虚拟现实、自动驾驶和人脸识别等。然而物联网设备的存储容量、电池容量和计算能力有限，直接在本地计算会产生较大的延迟并带来不好的用户体验。一个潜在的解决方案是把计算密集型任务卸载到具有强大的存储和计算能力的云服务器上，但缺点在于它与用户设备的通信距离比较远，把全部计算任务卸载到云服务器进行处理无法满足延迟敏感型应用的需求。在此背景下，移动边缘计算(mobile edge computing,mec)作为一种新的范式被提出，它通过在用户设备的附近部署计算和存储资源，将用户设备的计算任务卸载到边缘服务器，可以有效地减少任务传输时延。

2、尽管移动边缘计算拥有提升网络性能和减少延迟的潜力，但存在一项重大挑战是设备产生的计算任务具有异构性，需要执行不同的服务程序或数据库。而边缘服务器的存储容量往往有限，只能缓存少量供执行计算任务相关的程序或数据库。在此情况下，通过将云计算强大的资源能力和边缘服务器的低时延特性相结合，并为边缘服务器开发高效的服务缓存决策和计算卸载决策能够最大限度地降低任务执行延迟和提高系统性能。

3、除了服务缓存问题外，智能物联网规模的逐步扩大和复杂的通信环境使计算卸载中的数据隐私面临着重大威胁。物理层安全技术近年来受到广泛关注，它可以在不产生额外开销的情况下保证安全通信。此外，随着ris技术的出现，提高通信质量有了新思路。ris是一种由反射元件组成的平面阵列，并由ris控制器控制，这些反射元件体积小，成本低，并且无需专门的编解码处理就可以通过调整相移将信号反射至特定方向，从而实现合法接收器处信号被增强，窃听者处信号被抑制。这一机制进一步加强了计算卸载的安全性，降低了窃听风险。

技术实现思路

1、为了克服现有技术对设备生成的任务处理时延较长的难点，同时满足计算密集型和延迟敏感型应用的要求，本发明提出一种ris辅助的智能物联网安全计算卸载与服务缓存方法，将边缘计算和云计算相结合，有效缩短任务处理时延，提升系统性能。

2、本发明解决其技术问题所采用的技术方案是：

3、一种ris辅助的智能物联网安全计算卸载与服务缓存方法，包括以下步骤：

4、1)设备采用fdma方式进行上行链路的任务卸载，并在安全卸载速率要求和边缘服务器缓存容量限制下构建问题公式p1，过程如下：

5、1.1)在由一个接入点ap、一个ris、一个云中心、一个窃听者和k个设备组成的智能物联网中，每个设备有一个计算任务要处理，设备的计算能力有限且计算密集型任务高度相关，不可进行分割，必须将任务卸载到ap或云中心进行处理；ap是具有有限计算和存储资源的边缘服务器，因此只能缓存部分与计算任务相关的程序或数据库，如果ap缓存了与该计算任务相关的程序或数据库，用户可以将计算任务卸载到ap进行处理；否则必须卸载到云中心进行处理；ris用于增强卸载抑制窃听，云中心的计算和存储资源通常认为是无限的，因此，云中心缓存了跟计算任务相关的所有程序或数据库；此外，ap和云中心是有线连接，其他都是进行无线传输，用表示设备所在的集合，用来表示进行计算任务处理所需要的服务程序；此外，对于设备k来说假设它的计算任务需要服务程序n来支撑才能进行任务处理，并用lk表示设备k的任务总比特数，c表示服务器处理1bit计算任务所需要的cpu转数；

6、1.2)在服务缓存阶段，由于边缘服务器的缓存空间有限，只能缓存支撑部分任务处理的服务程序，用二进制指示因子an表示第n类服务程序在ap处的缓存决策，即当an＝1时表示第n类服务程序在边缘服务器进行缓存，而当an＝0时则意味着第n类服务程序在边缘服务器中没有缓存，假设第n类服务程序占用的缓存空间为sn，而ap处的总缓存空间为sa，则将边缘服务器的缓存容量限制条件表示为：

7、

8、即边缘服务器缓存的服务程序不能超过它的存储空间；

9、1.3)在计算任务卸载到边缘服务器阶段，当设备k卸载计算任务到边缘服务器进行处理时，为了避免设备间的相互干扰，设备采用频分多址(frequency divisionmultiple access,fdma)传输方式进行上行链路的任务卸载，用b表示网络总带宽，设备占用等分带宽，也就是每个设备占用的带宽为b/k，此外，ris可以通过提供从设备到边缘服务器的反射链路来增强任务卸载的性能，ris包括多个反射单元并且可以控制每个反射单元的相移θm来调整反射链路的传输质量，因此，卸载链路实际包含从设备到边缘服务器的直传链路以及经ris的反射链路，设备k将计算任务卸载到边缘服务器的卸载速率和窃听者对设备k的窃听速率分别表示为公式(2)和公式(3):

10、

11、

12、安全卸载速率表示为：

13、

14、相应地，从设备k到边缘服务器卸载过程中的传输时延表示为：

15、

16、当计算任务卸载到边缘服务器后，需要由边缘服务器进行计算，设备k的任务在边缘服务器进行计算的时延表示为：

17、

18、设备k将计算任务卸载到边缘服务器进行计算的总时延表示为：

19、

20、其中，pk表示设备k的卸载功率，hk,a，和hk,e分别表示从ris到ap，从ris到窃听者，从设备k到ris，从设备k到ap，和从设备k到窃听者的信道增益，θ＝diag(exp(jθ1),exp(jθ2),...,exp(jθm))表示ris的对角相移矩阵，θm表示第m个反射元件的相移，m表示反射元件的个数，σ2表示复高斯白噪声，均值为0，方差为σ2。fe表示边缘服务器分配给设备的计算资源；

21、1.4)在计算任务卸载到云中心阶段，当设备k卸载计算任务n到云服务器上进行处理时，首先需要将任务通过无线链路经ris卸载到ap上，再由ap通过回程链路传输到云服务器上，ap到云服务器的传输速率用ra,c(固定值)表示，设备k将计算任务卸载到云中心进行处理的时延表示为：

22、

23、

24、

25、其中，公式(9)是ap到云中心传输时延的表达式，公式(10)是云中心计算时延的表达式，fc表示云服务器的计算能力；

26、1.5)通过联合设计ris的无源波束形成矩阵θ、设备的二进制卸载决策xk、边缘服务器处的服务缓存决策an和设备的卸载功率pk来最小化设备的总任务处理时延，所形成的非凸优化问题表示为：

27、

28、受限于：

29、

30、

31、

32、

33、

34、控制变量：{an},{xk},{pk},{θ}

35、约束条件(11b)表示缓存容量限制；

36、约束条件(11c)表示设备k的计算任务只有在边缘服务器缓存了对应服务程序n的前提条件下才能卸载到边缘服务器；

37、约束条件(11e)表示保密卸载速率必须超过一定阈值才能保证安全计算卸载，其中，rmin表示安全卸载要求；

38、约束条件(11d)、(11f)和(11g)分别表示变量{pk}，{xk}，{an}和{θm}的取值范围；

39、将非凸优化问题p1的目标函数转换为：

40、

41、其中是引入的一组辅助变量；

42、2)使用双层优化算法将原问题分解为内层问题和外层问题，使用块坐标下降法将内层问题解耦为资源分配子问题和ris相移优化子问题，采用sca和sdr方法来获得最优解；通过联合优化服务缓存决策、任务卸载决策、设备的发射功率和ris无源波束形成矩阵来最小化总任务处理时延。

43、进一步，所述步骤2)的过程如下：

44、2.1)由于p1是一个非凸的混合整数非线性规划问题(mixed integer non linearprogramming,minlp)，内层问题涉及一系列连续变量，通过使用块坐标下降法将其分解为资源分配子问题p2和ris相移优化子问题p3；外层问题涉及两个二进制变量，通过开发基于交叉熵(cross entropy,ce)的概率学习算法来确定服务缓存与任务卸载决策；

45、2.2)对于资源分配子问题p2，给定相移矩阵θ、卸载决策xk和缓存决策an，优化设备发射功率pk，问题p2表达为：

46、

47、受限于：

48、

49、

50、2.3)对于相移优化子问题，固定pk、xk和an，优化无源波束形成矩阵θ，引入一个向量w＝[w1,w2,...,wm]h，其中，wm＝exp(jθm)，通过定义得到：

51、

52、

53、公式(5)则转化为：

54、

55、相移优化子问题表述为：

56、

57、受限于:

58、w≥0,       (19d)

59、diag(w)＝im+1,         (19e)

60、rank(w)＝1,           (19f)

61、2.4)对于顶层交叉熵子问题，给定设备发射功率pk和ris相移矩阵θ，优化卸载决策变量xk和缓存决策变量an，该问题是一个含有两个变量的0-1型整数线性规划问题，应用交叉熵方法来获取这两个变量的取值。

62、更进一步，所述2.2)的过程如下：

63、2.2.1)问题p2中的目标函数、约束条件(12b)和(12c)都是凸的，需要对约束条件(12d)进行处理，首先引入辅助变量f1(pk)和f2(pk)，其中

64、

65、

66、约束条件(12d)转换为：

67、

68、公式(14)表示两个凹函数之差，使用逐次凸逼近(successive convexapproximation,sca)方法将其凸化，对f2(pk)进行一阶泰勒展开并用其上界进行代替，

69、

70、其中，是满足问题p2所有约束的第t次迭代时的泰勒展开参数；

71、2.2.2)将优化问题p2中的约束条件(12d)替换为近似条件，优化问题p2转换为p2'：

72、

73、受限于：

74、

75、

76、所描述的问题p2已经变成一个凸优化问题，可用凸优化工具cvx进行求解，步骤如下：

77、2.2.2.1)：初始化，设置设备首次迭代的发射功率；

78、2.2.2.2)：使用cvx求解问题p2'，获得本次迭代最优解

79、2.2.2.3)：用最优解更新pk；

80、2.2.2.4)：重复步骤2.3.2.2)-2.3.2.3)，直至满足收敛条件。

81、再进一步，所述2.3)的处理过程如下：

82、2.3.1)由于约束条件(19c)和(19f)是非凸的，需要对其进行处理，(19c)经过变形是经典的凸差形式，需要对后一项进行处理，引入辅助变量yk，对yk进行一阶泰勒展开并用其上界代替，得到：

83、

84、其中，

85、2.3.2)通过使用半定松弛(semidefinite relaxation,sdr)方法忽略秩1约束，问题p3重新表示如下：

86、

87、受限于:

88、w≥0,         (21d)

89、diag(w)＝im+1,           (22e)

90、其中，w(i)是满足约束条件的可行泰勒参数，上标(i)表示优化变量的迭代索引，im+1是m+1阶的矩阵，由于问题p3'是一个凸半定规划问题，可用标准凸规划求解器cvx求解；

91、2.3.3)通过步骤2.3.2)只能获得问题p3'的可行次优解，在rank(w)≠1的情况下，使用高斯随机化方法来获得最优相移波束成形，步骤如下：

92、2.3.3.1)：将得到的w特征分解为w＝uλuh，其中λ＝diag(λ1,...,λm+1)为w特征值组成的对角矩阵，u＝[u1,...,um+1]是由特征值对应的特征向量组成的酉矩阵，上标h表示矩阵的共轭转置；

93、2.3.3.2)：随机生成多个向量r，其中

94、2.3.3.3)：选择使目标函数最小的作为候选，w由恢复出，[y](1:m)代表y的前m个元素；

95、更进一步，所述2.4)的操作步骤如下：

96、2.4.1)：采用特定随机策略，产生k个随机参数样本；

97、2.4.2)：对每个参数样本，求解目标值，并按照目标值从小到大排序，选择其中最优的个参数样本；

98、2.4.3)：根据这批参数样本，更新两个变量的概率分布；

99、2.4.4)：采用更新的概率分布，产生更优的随机参数样本，重复以上步骤，直至算法收敛，所得到的两组参数样本即为最优解。

100、本发明的有益效果为：有效缩短任务处理时延，提升系统性能