一种基于SPEN2的无线供电移动边缘计算卸载方法

本发明涉及一种基于spen2的无线供电移动边缘计算卸载方法，属于物联网。

背景技术：

1、随着物联网设备的更新换代、5g技术的蓬勃发展，越来越多的无线设备接入到通信网络中。传统的云计算模式无法满足爆炸式增长的通信和计算需求，因为云服务器安置在离设备较远的地方，用户的请求数据需要通过信道长距离传输到云中心进行计算以及云中心将结果回传给用户，在这个过程中，会消耗大量的能量和造成较大的传输时延，这显然不利于处理实时、低能耗需求应用的处理，从而影响服务质量，给人们的生活带来极大的不便。

2、为了解决云计算模式的缺点，移动边缘计算(mec)作为一种新兴的计算模式，受到工业界和学术界的广泛关注。目前，移动边缘计算在虚拟现实、无人驾驶和智能家居等方面都有大量的应用，其将服务器部署至靠近设备端的一侧，因此，来自用户的数据可以近距离传输给边缘服务器进行处理，相较于云计算模式的长距离传输，这将有效减少传输时延、降低能量损耗以及保护用户的数据安全。虽然边缘计算解决了用户设备端的计算资源受限问题，然而用户设备的能量资源可能影响用户任务卸载与设备电池寿命。将无线能量传输(wpt)技术应用在能量受限的移动边缘计算(mec)系统，可以增加设备电池寿命和提供更安全可靠的服务。

3、采用直接卸载的无线供电移动边缘计算系统，容易受到“双远近”效应的影响，其次用户数据在传输期间可能在一定程度上泄露隐私信息。为了解决以上问题，本发明提供了一种基于spen2的无线供电移动边缘计算卸载方法。

技术实现思路

1、本发明提供了一种基于spen2的无线供电移动边缘计算卸载方法，以用于解决“双远近”效应以及采用隐私熵来定量计算用户隐私安全程度低的问题。

2、本发明的技术方案是：一种基于spen2的无线供电移动边缘计算卸载方法，所述方法的具体步骤如下：

3、stepl、建立无线供电移动边缘计算系统的网络框架，根据网络框架进行建模，包括系统模型、任务模型、通信模型、能耗模型和隐私熵模型；

4、step2、对于整体网络建立面向能耗和隐私熵的多目标优化模型；

5、面向能耗和隐私熵的多目标优化模型的求解方法为spea2优化算法，用于求解能耗和用户隐私熵的帕累托前沿。

6、进一步地，所述step1中，整个无线供电移动边缘计算系统的网络框架，由一个集成无线供电和mec服务器的接入点ap和两个远近用户组成。

7、进一步地，所述step1中，所述系统模型如下：该系统中，一：只有一个mec服务器，两个用户u{u1，u2}，二：采用时分多址接入的方式进行通信，即使用一个通信链路，在不同的时间段内进行数据传输。

8、进一步地，所述step1中，所述任务模型如下：用户产生的任务用ai(li，ci，oi，τi)表示，其中，li表示用户任务的输入量大小(bit)，ci表示在本地计算1bit的任务所需要的cpu周期数，oi表示处理完任务后ap回传给用户的数据大小，τi表示执行任务所允许的最大延时；任务按任意比特划分，采用部分卸载方式，一部分卸载至接入点ap，另一部分则留在本地完成计算；用户产生l比特数据的任务，假设任务能任意划分，产生的任务能在本地执行或卸载至ap处进行计算，其中用ll表示任务在本地计算的比特数，la表示任务卸载至接入点ap处的比特数，则：

9、ll+la＝l  (1)。

10、进一步地，所述step1中，通信模型和能耗模型如下：接入点ap先以射频的方式给用户供电，用户所收集的能量：

11、

12、其中，为用户的能量转换系数，与用户设备的芯片结构有关；p0为ap的发射功率；gi为无线信道能量增益；t0为用户收集能量的时间。

13、进一步地，所述step1中，采用时分多址的方式通信；将时间块t划分为5部分，第一时隙t0用户收集能量；第二时隙t1远端用户u2同时向接入点ap和近端用户u1发送包含远端用户u2任务输入比特的无线信号，u1对接收到的任务输入比特成功解码后；在第三时隙t2将其转发到ap中，mec服务器再对来自u1和u2的信号进行解码；第四时隙t3用户u1将自身的任务卸载至ap；第五时隙t4则在ap处进行u1的卸载任务计算；由于ap计算结果通常比用户任务输入大小要小得多，加上mec服务器具有较强的计算能力，因此与卸载时间相比，将结果下载到用户的时间忽略不计，因此，忽略了ap计算时间和下载时间；为了保证计算任务在此块结束前成功执行，有以下时间约束：

14、t0+t1+t2+t3≤t  (3)

15、在t1阶段，用户u2将任务分别卸载至ap和用户u1，u2到ap的通讯链路增益为h2，到u1的增益为h12，根据香农公式得到，u2到ap和u1的能达到的最大传输速率(bit/s)分别为：

16、

17、

18、其中，r表示通道数据传输速率，b为信道带宽，p为发射功率，h为信道增益，n0为高斯白噪声功率；

19、相应的卸载数据大小分别为：

20、d2＝t1*r2  (6)

21、d12＝t1*r12    (7)

22、在t2阶段，u1将u2的任务中继传给ap进行计算，在这个阶段所卸载的数据大小为；

23、

24、根据中继传输理论，卸载到ap进行计算的u2的数据大小为ap解码的数据大小和在u2处解码的数据大小的较小值：

25、la2＝min{d2+d1，d12}    (9)

26、在t3阶段，u1将自身的任务卸载至ap进行计算，对应的卸载数据大小为：

27、

28、在卸载阶段，用户消耗的能量为：

29、

30、当u1和u2产生任务时，一部分卸载至ap处执行，另一部分则留在本地执行，假设本地cpu的频率为fi(cycle/s)，ci表示本地cpu每处理1bit数据所需要周期数，ki表示用户芯片的电容系数，则本地处理的数据大小和时间为：

31、

32、

33、本地消耗的能量为：

34、

35、能量约束为：

36、

37、进一步地，所述step1中，隐私熵模型如下：在用户数据传输过程中，潜在的敌手会以各种方式窃听数据，因而严重影响用户的隐私安全，为此，加入隐私熵来保护用户的数据隐私安全；

38、假设信源x的数学模型：

39、

40、

41、隐私信息源熵：

42、

43、其中，x为隐私源，p(x)为隐私源的概率。

44、进一步地，所述step2中，对于整体网络建立面向能耗和隐私熵的多目标优化模型，具体模型为；

45、

46、h(x)是隐私信息源熵，x为隐私源，p(x)为隐私源的概率，且

47、进一步地，所述step2中，所述spea2优化算法，具体求解过程如下：

48、步骤一：编码：首先对卸载策略进行编码；由于无线供电移动边缘计算系统的能耗与时间划分t{t0，t1，t2，t3}和功率选择p{p0，p1，p2}相关，因此将决策变量编码为{p，t}，维数为7；

49、步骤二：适应度函数；以适应度函数作为决策标准，评价个体的优势和劣势，适应度函数包括能耗和隐私熵；

50、步骤三：初始化：初始种群集p的种群规模为n，初始存档p0的种群规模为n0，最大迭代次数为q，第q代种群集表示为p(q，n)，第q代的存档集表示为p0(q，n0)，变异概率表示为pm，将交叉概率表示为pc；

51、步骤四：选择：从当前进化簇中选择适合的个体，并将优势个体选入交配池，p(q，n)和p0(q，n0)形成具有n1大小的新存档集，其表示为p0(q+1，n1)，这是通过选择操作执行的；在非支配排序操作中，需剔除p和p0的支配个体，剩下的个体组成新的归档集；如果n1大于n0，则使用拥挤比较操作来减少存档集的大小；通过选择运算，使p和p0中的个体总量在np下；从p(q，n)和p0(q，n0)中选择期望的个体以生成下一代存档集p0(q+1，n1)，并将新存档集复制到新的种群集p(q+1，n1)；然后，通过交叉和变异操作选出最优的个体，生成一个优秀的群体；

52、步骤五：交叉和变异：首先用概率pc选择一个亲本世代的交叉位点，并在该位点周围交换两个相关基因；最终，两个新的染色体在这个位点周围产生；另外，由于spea2的变异操作在逐渐收敛的情况下会产生变异概率pm，因为后代的变异结果并不比父代好，不能得到令人满意的最优解，通过这种操作保证了不同个体的多样性；

53、步骤六：采用topsis算法选择最优解；首先将原始数据矩阵进行标准化，消除量纲的影响，然后计算每个方案各自与最优解和最劣解的距离，根据最优解与最劣解计算得分并排序，最后得到最优时间划分和功率分配。

54、本发明的有益效果是：本发明考虑了用户设备计算资源的有限性以及用户隐私安全性，以最小化能耗和最大化隐私熵为目标，建立基于任务卸载、功率分配的联合优化模型。在本发明中，由于优化问题为多目标优化问题，采取基于spea2算法进行求解，该算法能快速收敛，并得到较优的结果。