本发明专利技术公开了一种基于物理层的任务卸载及带宽分配的处理方法和系统，方法包括以下步骤：计算任务总时延和任务总能耗；根据任务总时延和任务总能耗构建目标函数；获取任务卸载方式以及用户端与边缘计算接入点通信时的带宽；根据目标函数、任务卸载方式以及用户端与边缘计算接入点通信时的带宽生成优化函数；采用深度强化算法优化所述优化函数中的任务卸载方式和用户端与边缘计算接入点通信时的带宽，生成任务卸载比例和带宽分配比例；根据任务卸载比例和带宽分配比例处理当前任务量。本发明专利技术通过在进行任务卸载时，同时考虑任务和带宽分配问题，以提高MEC网络传输速率和任务卸载的安全性。本发明专利技术可广泛应用于移动边缘计算技术领域。技术领域。技术领域。
【技术实现步骤摘要】
基于物理层的任务卸载及带宽分配的处理方法和系统
[0001]本专利技术涉及移动边缘计算
，尤其是一种基于物理层的任务卸载及带宽分配的处理方法和系统。
技术介绍
[0002]云计算方案是利用云端服务器强大的计算能力弥补本地设备的算力不足，在一定程度上降低了任务总时延，但是计算任务卸载到云端服务器的传输过程产生的能耗和时延不可忽视，同时由于计算任务被发送到远距离的云端服务器，移动用户的信息也很容易遭到窃听。
[0003]移动边缘计算(MEC)是云计算技术的延伸，在移动网络的边缘建立可接入计算接入点(CAP)，就近为移动设备提供互联网服务环境、计算资源和存储资源等智能服务，由于靠近移动用户，可以同时减少任务总能耗和时延，提高用户体验，同时满足移动网络对于敏捷连接、实时业务、数据优化、应用智能、隐私保护等多个方面的需求。
[0004]尽管MEC技术是在更靠近移动用户的网络边缘提供服务，一定程度上增强了传输的可靠性，但是由于无线通信的广播特性，其传输安全很容易受到窃听者的威胁。例如具有多种工作模式的智能攻击者，它可以通过在窃听、干扰、欺骗和保持静默四种工作模式之间自由切换，旨在降低通信系统的传输速率。如果网络继续采用常规策略，来自智能攻击者的攻击则不会被抑制。在实际情况中，攻击者在无线网络中的位置可能是动态变化的，这使得窃听链路的信道参数发生变化，因而，现有的功率控制算法就不再适用。
技术实现思路
[0005]为解决上述技术问题，本专利技术的目的在于：提供一种基于物理层的任务卸载及带宽分配的处理方法和系统，其能提高MEC网络传输速率和任务卸载的安全性。
[0006]本专利技术实施例的第一方面提供了：
[0007]一种基于物理层的任务卸载及带宽分配的处理方法，包括以下步骤：
[0008]计算任务总时延和任务总能耗；
[0009]根据所述任务总时延和所述任务总能耗构建目标函数；
[0010]获取任务卸载方式以及用户端与边缘计算接入点通信时的带宽；
[0011]根据所述目标函数、所述任务卸载方式以及所述用户端与边缘计算接入点通信时的带宽生成优化函数；
[0012]采用深度强化算法优化所述优化函数中的任务卸载方式和所述用户端与边缘计算接入点通信时的带宽，生成任务卸载比例和带宽分配比例；
[0013]根据所述任务卸载比例和带宽分配比例处理当前任务量。
[0014]进一步地，在进行当前任务卸载之前，还包括以下步骤：
[0015]获取保密容量阈值；
[0016]在当前任务量小于所述保密容量阈值时，确定所述当前任务量在用户端计算。
[0017]进一步地，所述采用深度强化算法优化所述优化函数中的任务卸载方式和所述用户端与边缘计算接入点通信时的带宽，生成任务卸载比例和带宽分配比例，包括：
[0018]采用两个特征提取神经网络提取所述优化函数中的任务卸载方式和所述带宽对应的特征；
[0019]采用全连接网络拟合特征提取神经网络提取到的特征，输出任务卸载比例和带宽分配比例。
[0020]进一步地，采用贪婪的选择策略输出任务卸载比例和带宽分配比例。
[0021]进一步地，所述根据所述任务总时延和所述任务总能耗构建目标函数，包括；
[0022]获取权重因子；
[0023]根据所述权重因子、所述任务总时延和所述任务总能耗构建目标函数。
[0024]进一步地，所述计算任务总时延，包括：
[0025]计算用户端计算任务的第一时间、用户端卸载任务到边缘计算接入点的第二时间以及边缘计算接入点计算任务的第三时间；
[0026]根据所述第一时间、第二时间和第三时间计算任务总时延。
[0027]进一步地，所述计算任务总能耗，包括：
[0028]计算用户端计算任务的第一能耗和用户端卸载任务到边缘计算接入点的第二能耗；
[0029]根据所述第一能耗和所述第二能耗计算任务总能耗。
[0030]进一步地，在所述输出任务卸载比例和带宽分配比例这一步骤之前，还包括以下步骤：
[0031]定义损失函数；
[0032]通过所述损失函数判断是否输出任务卸载比例和带宽分配比例。
[0033]本专利技术实施例的第二方面提供了：
[0034]一种基于物理层的任务卸载及带宽分配的处理系统，包括：
[0035]计算模块，用于计算任务总时延和任务总能耗；
[0036]构建模块，用于根据所述任务总时延和所述任务总能耗构建目标函数；
[0037]获取模块，用于获取任务卸载方式以及用户端与边缘计算接入点通信时的带宽；
[0038]生成模块，用于根据所述目标函数、所述任务卸载方式以及所述用户端与边缘计算接入点通信时的带宽生成优化函数；采用深度强化算法优化所述优化函数中的任务卸载方式和所述用户端与边缘计算接入点通信时的带宽，生成任务卸载比例和带宽分配比例；
[0039]处理模块，用于根据所述任务卸载比例和带宽分配比例处理当前任务量。
[0040]本专利技术实施例的第三方面提供了：
[0041]一种基于物理层的任务卸载及带宽分配的处理系统，包括：
[0042]至少一个存储器，用于存储程序；
[0043]至少一个处理器，用于加载所述程序以执行上述的基于物理层的任务卸载及带宽分配的处理方法。
[0044]本专利技术的有益效果是：本专利技术通过计算得到的任务总时延和任务总能耗构建目标函数，接着获取任务卸载方式以及用户端与边缘计算接入点通信时的带宽，并根据目标函数、任务卸载方式以及用户端与边缘计算接入点通信时的带宽生成优化函数，然后采用深
度强化算法优化所述优化函数中的任务卸载方式和用户端与边缘计算接入点通信时的带宽，生成任务卸载比例和带宽分配比例，最后根据任务卸载比例和带宽分配比例处理当前任务量，本专利技术通过在进行任务卸载时，同时考虑任务和带宽分配问题，以提高MEC网络传输速率和任务卸载的安全性。
附图说明
[0045]图1为本专利技术一种具体实施例的基于物理层的任务卸载及带宽分配的处理方法的流程图；
[0046]图2为一种具体实施例的DQN算法中的升级网络的结构示意图；
[0047]图3为一种具体实施例的在Python仿真环境下以及训练次数相同的情况下，基于DQN算法策略与其他分配策略的对比图；
[0048]图4为一种具体实施例的在Python仿真环境下及不同带宽的情况下，三种卸载方案下的系统总代价的变化情况示意图；
[0049]图5为一种具体实施例的在Python仿真环境下、用户数量不同以及其他参数相同的情况下，基于DQN算法卸载策略与全部、不卸载策略进行比较的系统总代价的变化情况示意图；
[0050]图6为一种具体实施例的在Python仿真环境下、CAP计算能力不同及其他参数相同的情况下，基于DQN算法卸载策略与全部、不卸载策略进行比较的系统总代价的变化情况示意图；...
【技术保护点】
【技术特征摘要】
1.一种基于物理层的任务卸载及带宽分配的处理方法，其特征在于，包括以下步骤：计算任务总时延和任务总能耗；根据所述任务总时延和所述任务总能耗构建目标函数；获取任务卸载方式以及用户端与边缘计算接入点通信时的带宽；根据所述目标函数、所述任务卸载方式以及所述用户端与边缘计算接入点通信时的带宽生成优化函数；采用深度强化算法优化所述优化函数中的任务卸载方式和所述用户端与边缘计算接入点通信时的带宽，生成任务卸载比例和带宽分配比例；根据所述任务卸载比例和带宽分配比例处理当前任务量。2.根据权利要求1所述的一种基于物理层的任务卸载及带宽分配的处理方法，其特征在于，在进行当前任务卸载之前，还包括以下步骤：获取保密容量阈值；在当前任务量小于所述保密容量阈值时，确定所述当前任务量在用户端计算。3.根据权利要求1所述的一种基于物理层的任务卸载及带宽分配的处理方法，其特征在于，所述采用深度强化算法优化所述优化函数中的任务卸载方式和所述用户端与边缘计算接入点通信时的带宽，生成任务卸载比例和带宽分配比例，包括：采用两个特征提取神经网络提取所述优化函数中的任务卸载方式和所述带宽对应的特征；采用全连接网络拟合特征提取神经网络提取到的特征，输出任务卸载比例和带宽分配比例。4.根据权利要求3所述一种基于物理层的任务卸载及带宽分配的处理方法，其特征在于，采用贪婪的选择策略输出任务卸载比例和带宽分配比例。5.根据权利要求1所述的一种基于物理层的任务卸载及带宽分配的处理方法，其特征在于，所述根据所述任务总时延和所述任务总能耗构建目标函数，包括；获取权重因子；根据所述权重因子、所述任务总时延和所述任务总能耗构建目标函数。6.根据权利要求1所述的一种基于物理层的任...
【专利技术属性】
技术研发人员：夏隽娟，范立生，赵睿，刘外喜，綦科，谭伟强，
申请(专利权)人：广州大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。