一种安全IRS辅助UA V-MEC系统的联合资源分配和轨迹设计方法
文献发布时间:2023-06-19 19:30:30
技术领域
本发明涉及一种安全IRS辅助UA V-MEC系统的联合资源分配和轨迹设计方法,属于无线通信技术领域。
背景技术
近年来,移动边缘计算(MEC)作为一种有希望帮助资源受限的用户设备(UE)处理计算密集型和延迟关键型任务的技术,吸引了学术界的大量关注。在MEC系统中,UE可以将任务卸载到MEC服务器进行计算,从而降低能耗和延迟。由于无人飞行器(UAV)具有高机动性和视线传输能力,在UAV上安装MEC服务器可以为UE提供无处不在的计算服务,并降低UE的卸载能耗。然而,由于无线通信的广播性质,卸载过程很容易被附近的窃听者(Eves)拦截。
有几项研究使用物理层安全(PLS)技术来增强UAV-MEC系统的安全性,其中UA V和非卸载UE发送人工噪声(AN)以抑制窃听。然而,这些研究通常使用人工噪声,这不仅会产生额外的能量消耗,而且需要更高的硬件成本。
智能反射面(IRS)为上述问题提供了一个很有前景的解决方案。IRS是一种由大量低成本无源器件组成的均匀平面阵列反射元件,其中每个元件都可以独立地相位调整,以便反射信号相干地长或与直接信号抵消,从而增强或衰减接收器接收到的信号。因此,IRS被用于提高通信系统的安全性。我们提出了一个安全的IRS辅助UAV-MEC系统,其中多个UE将任务卸载到配备MEC服务器的UAV上,IRS部署在UAV上以阻止Eve窃听任务信息。
发明内容
本发明要解决的技术问题是提供一种安全IRS辅助UA V-MEC系统的联合资源分配和轨迹设计方法,通过联合优化UAV轨迹、IRS相移、任务分配、CPU频率和卸载功率分配,将用户安全能耗降至最低。
本发明的技术方案是:一种安全IRS辅助UAV-MEC系统的联合资源分配和轨迹设计方法,具体步骤为:
Step1:建立基于TDMA的无人机提供边缘计算的IRS辅助UAV-MEC安全计算系统。搭载MEC计算服务器的UAV为地面的K个不同设备提供计算服务,其中k∈{1,2,…,K},K表示地面设备集合,并假设K个设备的位置是固定已知的,不失一般性。Eve试图窃听UE卸载的任务,IRS部署在UAV上,以抑制窃听。从而提高系统的安全性能。
假设UE和Eve在地面上是静止的,为了使问题易于处理,将飞行周期T均匀的离散化为N个相等的时隙,第n个时隙的时间间隔表示为Δ,即T=NΔ,且时隙Δ足够的小以保证无人机的位置在每个时隙内可以被认为是固定不变的。因此无人机在第n个时隙内的位置表示为q
一个3维欧几里德空间中,地面设备和窃听者的水平位置分别表示为W
K地面设备采用时分多址接入方案来避免UE相互干扰,具体来说,每个时隙Δ分为K个子时隙,即Δ=Kδ,每个UE在其相应的子时隙内将任务卸载到UAV。
在第n个时隙,无人机的水平位置用q[n]=[x[n],y[n]]
设置UAV的初始位值置和终止位置分别为q
q[1]=q
q[n+1]-q[n]||V
装备在无人机上的IRS由M=M
其中,
对于其信道模型假设无人机与地面设备以及智能反射面与地面设备之间的通信信道为视距传输(Line Of Sight,LOS)链路,因此,对于第n个时隙,从UE
其中,β
式(5)中,λ为载波波长,d为反射元件分离,φ
假设UAV-Eve链路是一个Los通道,并遵循自由空间路径损耗模型,因此,第n时隙从IRS到Eve的通道系数表示为:
其中,
/>
由于UE和Eve都在地面上,假设UE-Eve链路遵循瑞利衰落,因此,从UE
在第n个时隙,从UE
其中,B表示信道带宽(Hz),P
其中,
Step2:建立上述系统的总用户能耗最小化优化问题,通过联合优化UAV轨迹、IRS相移、任务分配、CPU频率和卸载功率分配,将安全能耗降至最低。
具体为:
假设第k个地面设备所需要处理的数据大小为L
在任一时隙Δ内,每个地面设备都生成一个待执行的任务,表示为U
本地设备CPU的计算频率可能是不同的,并且假设地面设备都是单核的CPU,每个地面设备的CPU最大频率均为f
任务卸载能耗:采用保密卸载速率
其中,α
任务计算能耗:假设地面设备和无人机上MEC服务器的CPU都采用动态电压和频率缩放技术以自适应地控制自身计算频率,那么所有地面设备在本地计算所消耗的能量表示为:
其中,F
其中,
通过联合优化UAV轨迹、IRS相移、任务分配、CPU频率和卸载功率分配,建立最小化优化问题,具体为:
s.t.C1:0≤a
C3:f
C7:q[1]=q
C8:||q[n+1]-q[n]||≤V
Step3:提出了一个基于AO的算法来求解最小化优化问题,具体是将Step2化分为优化IRS相移、UAV轨迹、任务分配和CPU频率四个子问题,然后交替的解决它们。
具体为:
提出一个基于(AO)的算法来求解(P1)。具体来说,将(P1)化分为五个子问题,然后交替的解决它们。首先,将约束C6重写如下:
由于约束(15)保证了保密卸载速率
Step4:根据Step3提出的AO算法,在给定UAV轨迹Q、任务分配A和CPU频率F的情况下,求得IRS上个元素的最优相移。
在给定UAV轨迹Q、任务分配A和CPU频率F以及卸载功率P的情况下,移相优化问题表示为:
k[n]<2π
当
Step5:根据Step3提出的AO算法,在给定任务分配A、CPU频率F、最优相移Ψ的情况下,求得UAV的最优轨迹。
在给定任务分配A、CPU频率F、最优相移Ψ以及卸载功率P的情况下,UAV轨迹优化问题可表示为:
s.t.(1),(2),
根据(20)式中最优相移,数据泄漏速率
其中,
P3相对于q还是是非凸的。为了解决这种非凸性,我们引入了松弛变量γ
/>
s.t.(1),(2),(24)(21b)
μ
Ψ
其中
由于P4约束条件(21e),(21f),(21g),(21h),(21i)和(21j)的非凸性,P4仍然是非凸的。为了使P4更易于处理,我们使用逐次凸逼近(SCA)来处理这种非凸性。由于(21e)中的R
其中:
公式(21f)中
公式(21g)中μ
μ
公式(21i)中||q[n]-w
根据局部点求得C3-C8的下界,可以将P4改写为:
s.t.(1),(2),(21c),(21d)
I
不难看出,引入松弛变量后P5是一个凸问题,可以直接由CVX工具箱求解。
Step6:与Step4、Step5相同,在给定其他优化条件不变的情况下,分别求得最优CPU频率分配和任务分配。
在给定CPU频率F、UAV轨迹Q,最优相移Ψ和卸载功率P条件下,任务分配优化问题可表示为:
s.t.0≤a
P6是一个标准的线性优化问题,可以用CVX工具箱求解。
对于给定的任务分配A、UAV轨迹Q和最优相移Ψ,CPU频率优化问题可以表示为:
f
Step7:利用提出的基于交替优化AO的算法对四个子问题进行交替迭代优化,使系统的加权能耗最小化。
本发明的有益效果是:本发明将多个用户设备在存在窃听者(Eves)的情况下将任务卸载到配备MEC服务器的UAV,IRS部署在UAV上以抑制窃听。通过联合优化IRS相移、UA V轨迹、任务分配和CPU频率来最小化UE安全能耗。
附图说明
图1是本发明安全IRS辅助UAV-MEC系统为地面设备提供计算服务的场景图;
图2是本发明提出AO算法的求解过程图;
图3是本发明实施例中4种方案比较图;
图4是本发明使用不同IRS元素编号的无IRS方案和所提出算法获得的UAV轨迹图。
具体实施方式
下面结合附图和具体实施方式,对本发明作进一步说明。
实施例1:如图1所示,一种安全IRS辅助UAV-MEC系统的联合资源分配和轨迹设计方法,具体步骤为:
Step1:建立基于TDMA的无人机提供边缘计算的IRS辅助UAV-MEC安全计算系统。搭载MEC计算服务器的UAV为地面的K个不同设备提供计算服务,其中k∈{1,2,…,K},K表示地面设备集合,并假设K个设备的位置是固定已知的,不失一般性。Eve试图窃听UE卸载的任务,IRS部署在UAV上,以抑制窃听。从而提高系统的安全性能。
假设UE和Eve在地面上是静止的,为了使问题易于处理,将飞行周期T均匀的离散化为N个相等的时隙,第n个时隙的时间间隔表示为Δ,即T=NΔ,且时隙Δ足够的小以保证无人机的位置在每个时隙内可以被认为是固定不变的。因此无人机在第n个时隙内的位置表示为q
一个3维欧几里德空间中,地面设备和窃听者的水平位置分别表示为W
K地面设备采用时分多址接入方案来避免UE相互干扰,具体来说,每个时隙Δ分为K个子时隙,即Δ=Kδ,每个UE在其相应的子时隙内将任务卸载到UAV。
在第n个时隙,无人机的水平位置用q[n]=[x[n],y[n]]
设置UAV的初始位值置和终止位置分别为q
q[1]=q
q[n+1]-q[n]||≤V
装备在无人机上的IRS由M=M
其中,
对于其信道模型假设无人机与地面设备以及智能反射面与地面设备之间的通信信道为视距传输(Line Of Sight,LOS)链路,因此,对于第n个时隙,从UE
其中,β
式(5)中,λ为载波波长,d为反射元件分离,φ
假设UAV-Eve链路是一个Los通道,并遵循自由空间路径损耗模型,因此,第n时隙从IRS到Eve的通道系数表示为:
其中,
由于UE和Eve都在地面上,假设UE-Eve链路遵循瑞利衰落,因此,从UE
在第n个时隙,从UE
/>
其中,B表示信道带宽(Hz),P
其中,
Step2:建立上述系统的总用户能耗最小化优化问题,通过联合优化UAV轨迹、IRS相移、任务分配、CPU频率和卸载功率分配,将安全能耗降至最低。
具体为:
假设第k个地面设备所需要处理的数据大小为L
在任一时隙Δ内,每个地面设备都生成一个待执行的任务,表示为U
本地设备CPU的计算频率可能是不同的,并且假设地面设备都是单核的CPU,每个地面设备的CPU最大频率均为f
任务卸载能耗:采用保密卸载速率
其中,α
任务计算能耗:假设地面设备和无人机上MEC服务器的CPU都采用动态电压和频率缩放技术以自适应地控制自身计算频率,那么所有地面设备在本地计算所消耗的能量表示为:
其中,F
其中,
通过联合优化UAV轨迹、IRS相移、任务分配、CPU频率和卸载功率分配,建立最小化优化问题,具体为:
s.t.C1:0≤a
C3:f
C7:q[1]=q
C8:||q[n+1]-q[n]||≤V
如图2所示,Step3:提出了一个基于AO的算法来求解最小化优化问题,具体是将Step2化分为优化IRS相移、UAV轨迹、任务分配和CPU频率四个子问题,然后交替的解决它们。
具体为:
提出一个基于(AO)的算法来求解(P1)。具体来说,将(P1)化分为五个子问题,然后交替的解决它们。首先,将约束C6重写如下:
由于约束(15)保证了保密卸载速率
Step4:根据Step3提出的AO算法,在给定UAV轨迹Q、任务分配A和CPU频率F的情况下,求得IRS上个元素的最优相移。
在给定UAV轨迹Q、任务分配A和CPU频率F以及卸载功率P的情况下,移相优化问题表示为:
k[n]<2π/>
当
Step5:根据Step3提出的AO算法,在给定任务分配A、CPU频率F、最优相移Ψ的情况下,求得UAV的最优轨迹。
在给定任务分配A、CPU频率F、最优相移Ψ以及卸载功率P的情况下,UAV轨迹优化问题可表示为:
s.t.(1),(2),
根据(20)式中最优相移,数据泄漏速率
其中,
P3相对于q还是是非凸的。为了解决这种非凸性,我们引入了松弛变量γ
s.t.(1),(2),(24)(21b)
/>
μ
ψ
其中
由于P4约束条件(21e),(21f),(21g),(21h),(21i)和(21j)的非凸性,P4仍然是非凸的。为了使P4更易于处理,我们使用逐次凸逼近(SCA)来处理这种非凸性。由于(21e)中的R
其中:
公式(21f)中
公式(21g)中μ
μ
公式(21i)中||q[n]-w
根据局部点求得C3-C8的下界,可以将P4改写为:
s.t.(1),(2),(21c),(21d)
I
不难看出,引入松弛变量后P5是一个凸问题,可以直接由CVX工具箱求解。
Step6:与Step4、Step5相同,在给定其他优化条件不变的情况下,分别求得最优CPU频率分配和任务分配。
在给定CPU频率F、UAV轨迹Q,最优相移Ψ和卸载功率P条件下,任务分配优化问题可表示为:
s.t.0≤a
P6是一个标准的线性优化问题,可以用CVX工具箱求解。
对于给定的任务分配A、UAV轨迹Q和最优相移Ψ,CPU频率优化问题可以表示为:
f
Step7:利用提出的基于交替优化AO的算法对四个子问题进行交替迭代优化,使系统的加权能耗最小化。
在实施例1的基础上,提供数值结果来验证所提出算法的性能,设K=4,H=50m,T=20s,N=20,Δ=1s,q
如图3所示,考虑了四种基线方案:(1)没有IRS:UA V上没有部署IRS。(2)随机相移:所有IRS元素的相移都是随机生成的。(3)固定轨迹:UA V轨迹固定为半径为100米的半圆。(4)仅卸载:每个UE将整个任务卸载到UAV,而无需本地计算。
如图4所示,使用不同IRS元素编号的无IRS方案和所提出算法获得的UA V轨迹。对于无IRS方案,我们可以观察到UAV直接飞向UE形成的中心点并在其附近徘徊。对于M=40的情况,我们可以观察到UA V比中心点更靠近前夜。这是因为当M=40时,UE-IRS-Eve链路的信道系数小于UE Eve链路的信道,并且减小UE IRS-Eve链路双信道衰落传播距离,即UE与IRS之间的距离与IRS与Eve之间的距离的乘积,可以降低数据泄漏率。相反,对于M=120和160的情况,我们可以观察到UA V趋向于远离前夜。这是因为当M=120和160时,UE IRS Eve链路的信道系数大于UE Eve链路,并且增加UE-IRS-Eve链路的双信道衰落传播距离可以降低数据泄漏率。
以上结合附图对本发明的具体实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下作出各种变化。
- 多无人机辅助MEC系统中联合轨迹、卸载和资源分配优化方法
- IRS辅助MISO系统中基于交替迭代的物理层安全设计方法