【技术实现步骤摘要】
本专利技术涉及无线通信，尤其是涉及超密集网络中加压安全计算卸载与资源优化方法。
技术介绍
1、随着移动物联网、云计算、大数据等技术的迅猛发展，大量延迟敏感性、计算密集型的应用喷涌而出，如虚拟现实、人脸识别、增强现实、智慧城市和智能汽车等。然而，上述应用对误码率、延迟和吞吐量等有严格要求，由于物联网的许多无线设备的计算资源和电池容量有限，它们无法很好地满足这些应用的需要。
2、为了解决上述问题，移动边缘计算作为有前景的解决方案，通过在网络边缘部署服务器的方式为边缘用户提供了大量的计算资源。为了进一步提高系统频谱利用率，提高网络容量，超密集网络在传统宏蜂窝网络的基础上部署大量低功耗的小基站（small basestation, sbs），进一步缩短了通信的距离。
3、虽然超密集网络提高了服务覆盖率和资源利用率，但由于网络环境更加复杂，计算卸载面临着新的问题。首先，当用户将计算任务卸载至边缘服务器时，会产生一定的能耗和时延；其次，大量用户同时卸载较大的任务量会使无线传输面临过重的工作负载，虽可以采用数据压缩以减少传输的数据量，但会占用一部分计算资源；再次，用户在任务卸载过程中容易受到恶意窃听或攻击，因此必须付出额外的代价以确保服务的安全性。并且，现有技术中使用的水波优化算法，采用固定的更新公式，导致其搜索能力欠佳，难以应对复杂环境和较多优化参数的问题，不利于方法的现实应用。
技术实现思路
1、有鉴于此，本专利技术提供了超密集网络中加压安全计算卸载与资源优化方法，以
2、本专利技术的第一方面，提供了一种超密集网络中加压安全计算卸载与资源优化方法，包括：
3、步骤s1：获取超密集网络的网络基础信息，根据网络基础信息构建网络系统，网络系统包括通信模型、计算模型、数据压缩模型及安全模型，并在时延及安全成本约束下构建优化问题，优化问题为全网总能耗最小化问题；
4、步骤s2：根据优化问题得到初始解，并将初始解定义为父代种群，采用自适应遗传水波优化算法（agwwo）对父代种群进行搜索，最后输出全局最优水波的位置，即求得全网总能耗的最小的解；自适应遗传水波优化算法（agwwo）对父代种群进行搜索的过程包括：初始化种群及确定历史最佳水波；采用改进的传播操作对种群进行粗粒度搜索，根据传播操作生成的新水波是否优于原水波，更新水波的波高；若传播生成的新水波优于历史最佳水波，对该新水波执行改进的碎浪操作；当水波的波高降至零时，对水波执行折射操作进行细粒度搜索；
5、步骤s3：根据全局最优水波的位置执行联合数据压缩及安全的计算卸载与资源优化配置。
6、进一步地，所述步骤s2包括以下子步骤：
7、步骤s21：初始化自适应遗传水波算法的最大迭代次数，并将当前迭代次数设置为1；
8、步骤s22：对每个水波进行编码；
9、步骤s23：初始化种群，并构建水波种群中水波的适应度函数：使用适应度函数计算水波种群中所有水波的适应度值，并将适应度值最高的个体作为历史最佳水波；
10、步骤s24：判断当前迭代次数是否小于等于最大迭代次数，若当前迭代次数小于等于最大迭代次数，则对水波种群进行改进传播（选择、保护多样性的变异、自适应交叉、自适应变异）、改进碎浪和折射的操作，以得到目标种群，若当前迭代次数大于最大迭代次数，则输出目标种群中所有水波的编码。
11、进一步地，所述步骤s24包括以下子步骤：
12、步骤s241：根据锦标赛法选择策略从父代种群中随机选取两个水波，将适应度高的水波放入目标种群中，并判断两个水波中是否有历史最佳水波，若两个水波中没有历史最佳水波，则用历史最佳水波替换目标种群中适应度最低的水波；
13、步骤s242：定义多样性测度，根据多样性测度定义多样性引导的变异概率；
14、步骤s243：从水波种群中剩下的水波中任意选取两个相邻的水波，计算两个相邻的水波之间的自适应交叉概率，从两个相邻的水波中随机选择一个交叉位置，根据自适应交叉概率对两个相邻的水波从交叉点开始交换相应水波位置片段；
15、步骤s244：计算水波种群中的水波的自适应变异概率；
16、步骤s245：根据多样性引导的变异概率、自适应交叉概率、自适应变异概率执行相同的预设变异规则，依次分别对水波种群中的水波的位置进行变异；
17、步骤s246：步骤s241至步骤s245统称为改进的传播操作，在传播操作生成新的水波种群后，使用适应度函数计算新生成水波种群中水波的适应度值，并将适应度值最高的个体作为当前种群最优水波，并按以下规则更新每个水波的碎浪系数：，其中、分别表示第次和第次迭代时水波的碎浪系数，表示碎浪系数最大值，表示碎浪系数最小值，将新生成的水波种群与其父代水波种群的水波按顺序依次进行比较，若新生成水波的适应度值优于父代水波的适应度值，保留新生成的水波，否则保留父代水波，最终形成一个由传播生成的水波和父代水波共同组成的水波种群；
18、在新生成水波的适应度值优于父代水波的适应度值时，再进一步将新生成水波的适应度值与当前种群最优水波进行比较，若前者优于后者，则执行碎浪操作，否则不执行操作；若新生成水波的适应度值小于父代水波的适应度值，水波的波高降低，即，其中、分别表示第次和第次迭代时水波的波高，当时，执行折射操作；
19、步骤s247：将当前种群最优水波与历史最佳水波进行适应度比较，若前者的适应度值大于后者，则用当前种群最优水波更新历史最佳水波，否则保留历史最佳水波；
20、步骤s248：将当前迭代次数的值加1，返回步骤s22，重复迭代直到迭代结束，最终保留的历史最佳水波为全局最优水波。
21、本专利技术的第二方面提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在终端设备上运行的计算机程序，处理器执行计算机程序时实现上述的超密集网络中加压安全计算卸载与资源优化方法。
22、本专利技术的第三方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述超密集网络中加压安全计算卸载与资源优化方法。
23、本专利技术通过利用改进的自适应遗传水波优化算法（agwwo）进行搜索。利用采用多样性引导变异（dgm）的自适应遗传算法（aga）对传统水波优化算法的传播操作进行改进，增强了粗粒度搜索能力，极大地提升了本专利技术方法的性能，能很好地实现最小化能耗的目标。具体地，根据超密集网络的网络基础信息构建优化问题，并对优化问题进行初步计算获得优化问题的初始解，将优化问题的初始解作为父代种群，采用改进的自适应遗传水波优化算法对父代种群进行迭代搜索，最终得到全局最优水波的位置；根据全局最优水波的位置执行联合数据压缩及安全的计算卸载与资源优化配置。本专利技术联合优化用户关联、子信道选择、安全加密算法选择、数据压缩控制、用户功率控制、本文档来自技高网...
【技术保护点】
1.超密集网络中加压安全计算卸载与资源优化方法，其特征在于，包括：
2.根据权利要求1所述的超密集网络中加压安全计算卸载与资源优化方法，其特征在于，所述步骤S1的优化问题为：
3.根据权利要求2所述的超密集网络中加压安全计算卸载与资源优化方法，其特征在于，所述步骤S2包括以下子步骤：
4.根据权利要求3所述的超密集网络中加压安全计算卸载与资源优化方法，其特征在于，所述步骤S24包括以下子步骤：
5.根据权利要求4所述的超密集网络中加压安全计算卸载与资源优化方法，其特征在于，所述步骤S246包括以下子步骤：
6.根据权利要求4所述的超密集网络中加压安全计算卸载与资源优化方法，其特征在于，步骤S23中，根据以下公式，初始化种群：
7.根据权利要求6所述的超密集网络中加压安全计算卸载与资源优化方法，其特征在于，定义多样性测度如下：
8.根据权利要求7所述的超密集网络中加压安全计算卸载与资源优化方法，其特征在于，步骤S243中，根据以下公式得到两个相邻的水波之间的自适应交叉概率：
9.一种终端
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任意一项所述的超密集网络中加压安全计算卸载与资源优化方法。
...【技术特征摘要】
1.超密集网络中加压安全计算卸载与资源优化方法，其特征在于，包括：
2.根据权利要求1所述的超密集网络中加压安全计算卸载与资源优化方法，其特征在于，所述步骤s1的优化问题为：
3.根据权利要求2所述的超密集网络中加压安全计算卸载与资源优化方法，其特征在于，所述步骤s2包括以下子步骤：
4.根据权利要求3所述的超密集网络中加压安全计算卸载与资源优化方法，其特征在于，所述步骤s24包括以下子步骤：
5.根据权利要求4所述的超密集网络中加压安全计算卸载与资源优化方法，其特征在于，所述步骤s246包括以下子步骤：
6.根据权利要求4所述的超密集网络中加压安全计算卸载与资源优化方法，其特征在于，步骤s23中，根据以下公式，初始化种群：
...【专利技术属性】
技术研发人员：周天清，刘康乐，李轩，聂学方，
申请(专利权)人：华东交通大学，
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。