面向缓存辅助超密集异构MEC网络的安全计算卸载方法

本发明涉及无线通信，具体涉及一种面向缓存辅助超密集异构mec网络的安全计算卸载方法。

背景技术：

1、5g网络的快速发展极大地促进了智能设备的普及，这些设备对计算性能和响应时间有着极高的要求。这些要求在多个领域尤为显著，包括生物识别技术、增强现实和虚拟现实、人工智能的自然语言处理、互动式游戏、医疗保健的物联网应用，以及自动驾驶技术等。然而，由于传统设备在处理能力和电池续航方面的限制，移动设备的体验受到了影响。

2、为了解决这一问题，移动边缘计算（mec）技术应运而生。它通过在无线网络的边缘部署计算资源，允许设备将一些任务转移到边缘服务器上，从而减轻了设备本身的负担。同时移动边缘计算中的缓存功能也能为移动设备提供更为可靠的服务。

3、移动边缘计算（mec）中的缓存概念指的是将数据、内容或服务暂时存储在网络边缘的设备上，以减少延迟、提高访问速度并减轻核心网络的负担。这种缓存机制可以存储移动设备请求频繁访问的数据，当移动设备再次请求相同数据时，可以直接从边缘节点快速提供，而无需经过长时间的回传到核心网络。

4、缓存的作用主要体现在降低延迟，减少带宽消耗，提高系统容量，增强移动设备体验和节能降耗在mec环境中，缓存不仅可以存储静态内容，还可以存储任务和相关数据，以减少任务卸载的延迟。当移动设备发出任务的卸载请求时，如果该任务已经缓存在边缘云上，则边缘云可以直接处理任务，并将结果传输至移动设备，而无需移动设备再次进行任务卸载。

5、随着对降低5g网络端到端延迟的需求日益增长，人们开始探索超密集多接入移动边缘计算网络。这种网络利用密集部署的小型基站来增强信号覆盖，并允许移动设备与多个基站建立连接，更充分地利用这些基站的计算能力。但这种做法也带来了新的挑战，例如，小型基站的密集部署可能导致严重的干扰问题，同时，为了确保任务的安全卸载，还需要引入复杂的密码学技术，这就需要在安全性和计算资源消耗之间找到平衡点。同时，缓存机制的优化也是mec研究中的一个重要方向。研究者们正在探索如何更有效地管理边缘缓存，以实现任务卸载和缓存的联合优化，从而在保证服务质量的同时，实现能源消耗的最小化。

6、此外，现有的鲸鱼算法虽然收敛速度快，但在局部搜索能力上存在不足，这可能会限制其在实际应用中的有效性。

技术实现思路

1、针对现有技术的不足，本发明提供了一种面向缓存辅助超密集异构mec网络的安全计算卸载方法，其目的在于解决现有技术中因缺少对计算卸载时缓存问题的考虑而产生的新问题的研究而导致系统能耗增高的问题。

2、为实现上述目的，本发明提供如下技术方案：一种面向缓存辅助超密集异构mec网络的安全计算卸载方法，包括如下步骤：

3、步骤s1：获取超密集多接入移动边缘计算网络的网络基础信息并构建网络系统，所述网络系统包括通信模型、计算模型以及安全模型；在网络系统的约束下构建优化问题；

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，采用改进的鲸鱼算法对父代种群进行搜索得到目标种群，并输出目标种群中的全局最优解；

5、采用改进的鲸鱼算法对父代种群进行搜索得到目标种群的过程包括：首先初始化种群及确定历史最优鲸鱼个体；然后采用遗传算法的部分匹配交叉操作与变异操作对鲸鱼的种群扩展，增大种群多样性；然后在收缩包围阶段，采用自适应非线性权重因子用来更新鲸鱼个体的位置，同时用于螺旋气泡网攻击和搜索猎物阶段；在螺旋气泡网攻击阶段，利用惯性权重系数用于自适应调节螺旋幅值，避免陷入局部最优；在搜索猎物阶段，采用柯西的逆累积分布函数对鲸鱼的长尾变异操作拓展改进鲸鱼算法的搜索空间，提高鲸鱼的全局搜索能力，避免陷入局部最优；然后依次重复执行收缩包围，螺旋气泡网攻击，搜索猎物与历史最优鲸鱼个体的更新；

6、步骤s3：根据全局最优解执行安全型计算能耗优化配置。

7、进一步优选，步骤s1所述超密集多接入移动边缘计算网络为超密集型mamec网络；获取超密集型mamec网络的网络基础信息，通过网络基础信息进一步搭建网络系统中的通信模型、计算模型以及安全模型，在通信模型、计算模型以及安全模型的基础上构建优化问题。

8、进一步优选， 构建通信模型：系统频带被分割成两部分，分别由宏基站和微基站使用，宽度分别为和；为系统频带的宽度；为频带划分因子，取值在0到1 之间；在上行noma（非正交多地址接入）方式下，由某些微基站服务的任何移动设备都会收到来自信道增益比它差的其他移动设备的同信道干扰；在微基站服务，接收到的信号按信道增益降序进行解码；考虑到移动设备经常在某个信道上逐个传输任务，假设每个宏基站有个子信道，这些子信道在现实中只对应一个信道，任何移动设备都使用子信道中的一个在某个时隙传输任务。

9、进一步优选，构建缓存和卸载模型：任意的移动设备在每个时隙都有一个时间敏感任务记作；每一个移动设备都可能与一个基站相关联。若移动设备与微基站相关联，则移动设备与微基站关联指标，否则为0；若移动设备与宏基站相关联，则移动设备与宏基站关联指标，否则为0；当移动设备有任务需要处理时，若并未关联任何基站，则直接进行本地计算；若有关联基站，它首先查询相关联的微基站是否缓存了对应的任务，若缓存，则微基站任务缓存指标，否则为0；若微基站任务缓存指标，直接在相关联的微基站上任务并将结果反馈给移动设备；若关联的微基站上并未缓存，则继续查询宏基站是否缓存对应任务，若缓存则宏基站任务缓存指标，否则为0；若宏基站任务缓存指标，则在宏基站上任务并将结果反馈给移动设备；若都未缓存，即，则将任务进行分步卸载计算。若与宏基站关联且未缓存任务，即，则将任务上传到宏基站执行任务。

10、进一步优选，构建安全模型：为了保证安全卸载，使用不同的加密算法对卸载的任务进行加密和解密；当移动设备和某微基站相关联时，该移动设备的任何任务的一部分在加密后被卸载到此基站；该基站首先对其进行解密，然后加密后将其部分传输到宏基站；剩余的部分交由关联的微基站执行；当一个移动设备与微基站相关联时，这个移动设备的任何任务的一部分在加密后被卸载到宏基站，解密后由宏基站执行任务。

11、进一步优选，所述优化问题为：

12、；

13、表示任务与基站的关联指标，表示任务的安全保护决策变量，表示移动设备选择的子信道，表示移动设备卸载到基站的数据量索引集合，表示微基站卸载到宏基站的数据量索引集合；取一个足够小的值以避免除零；为10个约束，表示移动设备的任务执行时间不能超过其最后期限；表示移动设备的总破坏成本不能超过其最大可接受成本；和表示一个移动设备只能与一个基站相关联；和表示移动设备的任务只能选择一种加密算法；和表示一个移动设备只能选择一个子信道；表示移动设备发射功率的下界和上界；表示卸载部分和均要大于等于0，但要小于等于移动设备的任务的数据大小，同时必须小于等于；表示移动设备与微基站关联指标，为移动设备中任务的安全决策指标，表示移动设备在子信道上的关联决策，为子信道集合，为微基站卸载到宏基站的数据量，为移动设备卸载到微基站的任务的数据量。

14、进一步优选，步骤s2包括：

15、步骤s2.1: 初始化采用改进鲸鱼算法gwoa的最大迭代次数，并将当前迭代次数设置为1;

16、步骤s2.2:优化问题的参数分别编码为，其中并且是鲸鱼个体中选择的基站索引；代表虚拟移动设备的集合，是移动设备在鲸鱼个体中选择的密码算法索引；是移动设备在鲸鱼个体中选择的信道索引；为移动设备在鲸鱼个体中的传输功率；是从移动设备卸载到鲸鱼个体中微基站的数据量；是从移动设备或其相关联小基站卸载到鲸鱼个体中的附近宏基站的数据量；，是由个鲸鱼个体组成的种群；

17、步骤s2.3:评估鲸鱼个体的适应度；

18、步骤s2.4：种群初始化；为了满足约束，初始种群使用以下规则生成；具体来说，任何单独的鲸鱼个体都初始化为：

19、；

20、其中，分别是初始化的鲸鱼个体选择的基站索引，初始化的移动设备在鲸鱼个体中选择的密码算法索引，初始化的移动设备在鲸鱼个体中选择的信道索引，初始化的移动设备在鲸鱼个体中的传输功率，初始化的移动设备卸载到鲸鱼个体中微基站的数据量，初始化的从移动设备或其相关联小基站卸载到鲸鱼个体中的附近宏基站的数据量；返回的i*k矩阵对应线性索引的行下标和列下标；从集合中随机输出一个元素，生成一个介于和之间的随机数；使用适应度函数计算鲸鱼种群中所有个体的适应度值，并将适应度值最高的鲸鱼个体作为历史最优鲸鱼个体。

21、步骤s2.5：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；则对鲸鱼种群进行搜索猎物，收缩包围和螺旋气泡网攻击的操作，对鲸鱼种群进行更新，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鲸鱼个体的编码。

22、进一步优选，步骤s2.5包括：

23、生成两个0到1之间的随机数与；若，则执行步骤s2.50，接着执行步骤s2.51；若，则直接执行步骤s2.51；

24、步骤s2.50：随机数生成一个0到1之间的随机数，将这个数与变异概率和交叉概率分别进行比较；若满足变异概率，则对鲸鱼种群进行变异操作；若满足交叉概率，则对鲸鱼种群进行部分匹配交叉操作；结合实际问题，变异操作将父代个体的基因序列随机进行元素交换；部分匹配交叉操作首先随机选择两个父代个体，记为父代1和父代2；然后在父代个体的基因序列中随机选择两个或多个交叉点；在选定的交叉点之间，将父代1的基因序列与父代2的基因序列进行部分匹配；从父代1的基因序列开始，复制到第一个交叉点；进一步，从第一个交叉点开始，尝试将父代2的基因序列与父代1的序列进行匹配。如果匹配成功，则将父代2的基因复制到子代中；如果不匹配，则将父代1的基因复制到子代中；继续这个过程，直到所有交叉点都被检查完毕；在最后一个交叉点之后，复制父代1的剩余基因序列到子代中；

25、步骤s2.51: 在鲸鱼算法中，所有鲸鱼都在寻找猎物，而历史最佳代理被认为是目标解；当前最佳代理是指当前迭代中所有个体中适应度值最高的鲸鱼个体，而历史最佳代理是在以前和当前迭代中的所有个体中适应度值最高的鲸鱼个体；在执行鲸鱼算法之后，历史最佳代理就是优化问题的最佳解决方案；座头鲸识别猎物的位置，然后将猎物完全包围。在环绕猎物的行为中，所有鲸鱼在迭代过程中都向历史最佳代理移动；

26、步骤s2.52：座头鲸的气泡网攻击包括收缩环绕和螺旋运动，两种操作的概率是相等的；通过执行这些操作，任何代理的新位置将位于其当前位置和历史最佳代理的位置之间，得出优化问题的一个局部最优解；

27、步骤s2.53：在寻找传统woa的猎物时，鲸鱼被迫向随机鲸鱼移动，使用cauchy的逆累积分布函数进行突变操作，以用于制定鲸鱼的猎物搜索；

28、步骤s2.54：迫使鲸鱼个体再次在历史上最佳代理的附近区域搜索猎物；

29、步骤s2.55：将当前迭代次数的值加1。

30、与现有的技术相比，本发明具备以下有益效果：

31、（1）本发明通过利用改进的鲸鱼算法gwoa进行搜索；在woa基础上对收缩包围阶段，采用自适应非线性权重因子用来更新鲸鱼个体的位置，同时用于螺旋气泡网攻击和搜索猎物阶段；在螺旋气泡网攻击阶段，利用惯性权重系数用于自适应调节螺旋幅值，避免陷入局部最优；在搜索猎物阶段，采用柯西的逆累积分布函数对鲸鱼的长尾变异操作拓展改进鲸鱼算法的搜索空间，形成了iwoa，又在iwoa的基础上，引入了遗传算法中的变异和交叉操作，形成了gowa，增大了物种多样性，求解问题更为准确。

32、（2）本发明根据超密集多接入移动边缘计算网络的网络基础信息构建优化问题，并在网络系统的约束下构建优化问题；根据优化问题得到初始解，并将初始解定义为父代种群，采用改进鲸鱼算法对父代种群进行搜索得到目标种群，并输出目标种群中全局最优鲸鱼的位置；根据全局最优鲸鱼位置执行安全型计算效率优化配置。本发明考虑基站缓存因素影响联合优化移动设备关联，信道选择，安全决策和功率分配以最小化移动设备本地总能耗。

33、（3）本发明在计算资源和时延、安全成本、任务卸载比例、移动设备发射功率比例、最小速率以及最大能耗约束下，该方法能很好地实现最小化移动设备本地总能耗。