基于混合協作NOMA的安全MEC能耗優化

余雪勇, 傅新程, 朱洪波

(1. 南京郵電大學江蘇省無線通信重點實驗室, 江蘇 南京 210003;2. 南京郵電大學教育部泛在網絡健康服務系統工程研究中心, 江蘇 南京 210003)

0 引 言

隨著網絡信息時代的發展,人們對數據的處理和網絡性能的提高提出了越來越高的要求。在物聯網場景中,移動邊緣計算(mobile edge computing,MEC)能夠有效地解決計算延遲和網絡擁塞問題。計算卸載是大多數利用MEC的用戶的主要方式[1]。MEC通過邊緣云的計算和存儲資源為用戶提供計算能力,解決了計算能力不足的問題[2]。而無線通信的廣播性質可能會在卸載過程中將用戶的隱私數據泄露給未經授權的竊聽者[3]。此外,無線卸載功能使得許多現有的傳統有線云計算系統的隱私保護技術效果較差。如果沒有適當的保護機制,對隱私敏感的用戶可能不會使用MEC[4]。同時,處理大量數據以及卸載過程中需要對數據傳輸的安全進行保障所花費的額外能耗是不可忽視的[5]。如何在安全傳輸中盡量降低系統能耗是研究中不可忽視的問題之一。

對于上述MEC中卸載隱私的問題,現有機制大多仍依賴于加密技術[6],但是這些機制并不是完全安全的,隨著科技的進步,解密的代價將進一步降低。相比之下,可以從文獻[7]中對于以信息論為基礎的物理層安全中找到答案,這被認為是以更低的計算成本提供更強的隱私概念。實際上,在過去的幾十年里,為了提高傳統無線通信系統的安全性和私密性,人們對物理層安全技術(如人工噪聲和接收端干擾[8])進行了廣泛的研究。除了上層加密算法之外,物理層安全利用基于信道物理特性的竊聽編碼,可以提供完美的信息安全,而無需事先生成和分發密鑰[9]。此外,非正交多址接入(non-orthogonal multiple access,NOMA)是第5代(fifth-generation,5G)無線網絡實現低延遲、大規模連接和高吞吐量的關鍵技術。NOMA的關鍵思想是為同一資源塊中的多個用戶提供服務并可以集成到現有和未來的無線系統中,通過同時分配多個無線傳輸來進一步提高頻譜效率[10]。

最近,針對上述技術結合的想法與實踐越來越多。Yang等[11]提到在邊緣計算卸載任務過程中,物理層安全是保證卸載數據安全傳輸的有效技術。He等[12]通過對竊聽者解碼過程的分析發現主動釋放的干擾信號可以對竊聽者的解碼產生干擾,從而保證信息的安全傳輸。而Wu等[13]則考慮了一個實際的被動竊聽場景,在保密中斷概率和計算延遲的約束下導出了最優解半封閉表達式,并在安全卸載率、計算延遲和保密中斷概率有限的情況下,實現了用戶權重和能耗最小化問題。而Pan等[14]采用了NOMA功率復用技術,通過優化傳輸功率、傳輸時間分配和任務分配分區,實現多用戶連接,最大限度地降低總能耗。文獻[15]巧妙利用了NOMA用戶對之間的協作來提高安全性。該方案利用保密中斷概率和保密計算概率來衡量安全性能并列出了基本表達式。文獻[16]在此基礎上增加了安全速率約束問題,并提出一種基于差分凸算法來解決問題,同時還提出了低復雜度的KKT(Karush-Kuhn-Tucker)條件算法作比較,在一系列約束的情況下得到系統能耗的最優值。隨著5G技術的逐漸普及,2019年,Lin等[17]研究了NOMA使MEC網絡具有物理層安全性,并通過優化傳輸功率和中央處理器頻率來優化資源分配,最終實現安全計算效率的最大化。在文獻[18]中提出一種新的MEC系統的計算和通信用戶協作方法,通過分割時間槽,在不同的時隙中進行不同的任務以提高延遲約束計算的能量效率。在現有的資料中,上行NOMA-MEC的優勢已經在節能[19]、減小時延[20]和提高計算成功概率[21]等方面得到了證明,是未來通信發展中不可或缺的一項技術。

從以上討論中可以看出,在物聯網場景中對竊聽者的防竊聽手段大都采用自然噪聲干擾以及合法中繼干擾手段,從而忽視了互干擾的利用。并且,對于時隙動態分配更加豐富和智能的今天,利用NOMA的特性對用戶多時隙能耗優化問題并沒有得到研究。此外,同一個時隙下用戶存在協作形式單一,參與協作的用戶自身需要處理的數據量和效率不同以及對于系統的保密性能提升不明顯等問題。鑒于此,本文在NOMA的邊緣卸載場景中,圍繞著部分卸載邊緣計算的問題,通過改變模型和用戶的協作模式,提出了一種在保證安全隱私前提下的多時隙系統能耗優化方案。在第1個時隙中通過用戶卸載的互干擾來擾亂竊聽者,第2個時隙則取消不包含信息量的干擾功率,將剩余數據量轉成更為安全的本地計算進行處理。本文的主要貢獻總結如下:

(1) 首先,考慮到每個用戶對于時延的要求不同,提出了一種基于NOMA的多時隙混合協作方案。系統根據用戶即時需要處理的數據量將處理時間通過比例參數動態劃分為兩個時隙。在第一個時隙里,用戶通過卸載計算時的混合功率來干擾竊聽者的同時保證信息安全;而任務數據量較多的用戶在下一時隙,將無法按時計算處理的數據量轉為本地計算。由此,減少配對用戶終端因發送無信息的干擾信號而額外產生的能耗,并保護了信息隱私。

(2) 其次,在考慮用戶優先級和保密度的前提下推導出了保密中斷概率的閉合表達式,并提出了一個優化問題,使得系統用戶在保證隱私的前提下實現能耗的最小化。

(3) 為了求解非凸優化問題,將其分解為3個子問題:① 數據量和卸載功率指標優化以及資源分配。② 數據量處理比例優化。③ 時隙分配比例優化。并通過塊坐標下降算法循環迭代來聯合求解這3個子問題。

(4) 最后,提出多時隙混合協作(multi-slot hybrid collaboration, MSHC)方案,仿真結果表明,與其他方案相比,該方案具有更大的優越性,可以進一步降低系統的能耗,同時也為NOMA未來的普及提供了新的思路。

1 系統模型

上行NOMA中邊緣計算能耗優化及物理層安全隱私研究系統圖如圖1所示。此系統由k(k>1)個用戶終端、1個竊聽者、1臺與基站相連的邊緣服務器組成。所有的終端節點都配備了一根天線,而無線信道采用了非選擇性準靜態塊衰落模型[22],使信道在給定傳輸時間T內保持不變。其中,用戶終端數據處理采用部分卸載的方式,即一部分由本地處理,剩余部分卸載到邊緣服務器進行處理。

圖1 NOMA輔助的多用戶安全卸載MEC系統Fig.1 NOMA-assisted multi-user secure offloading MEC system

由于NOMA的特性,系統會受到強干擾限制,雖然串行干擾消除(successive interference cancellation, SIC)可以用來抑制多用戶NOMA的干擾,但當大量用戶執行NOMA時,會對移動終端的硬件復雜度有很高的要求。此外,由于移動終端的干擾負擔更重,信號處理延遲將進一步增加。因此,多用戶NOMA方案的研究可以通過將兩個用戶分組在一起,并使用用戶配對技術聯合執行NOMA來完成[23]。此外,配對的兩個用戶在卸載的過程中,卸載信號的疊加會給竊聽者造成干擾,有效地提高了NOMA系統的安全性,從而保證用戶的隱私不被竊聽。因此,在不失一般性的前提下,可以只關注兩個用戶的簡化模型。通過信道狀態條件來設置一個強用戶和一個弱用戶進行配對,分別命名為st和w。在用戶卸載數據至邊緣服務器時,因其廣播的特點,會被惡意竊聽從而產生信息的泄漏,而在物理層進行處理往往被證實是一種有效避免泄漏的好方法,因此本文從物理層的約束出發對系統能效進行優化。

由于每個用戶要處理的數據量不同,所以不可避免地出現時間上的差異,規定系統的用戶協作方式如圖2所示。設處理計算任務時間較長的用戶的截止時延為T,根據用戶處理計算任務的時間不同設置截止時延的分配比例α(0≤α≤1)。假設用戶st處理的時間要大于用戶w,將總的處理時間分為兩個時隙,第1個時隙的時長為αT,第2個時隙的時長為(1-α)T,這樣設置的目的是為了使得用戶能夠根據自身需要計算卸載的數據量靈活調整時隙的寬度。

圖2 NOMA用戶對在卸載過程中的協作機制Fig.2 Cooperation mechanism between NOMA user pairs in the offloading process

MSHC方案的工作流程圖如圖3所示,可以看出,所提MSHC方案的工作流程分為3部分。首先需要根據用戶的信道狀態以及需求完成用戶配對工作,將兩個合適條件的強弱用戶通過用戶配對的選擇算法[24]來匹配在一起;在第1個時隙中用戶st與用戶w同時進行卸載,此時可以依靠兩個用戶發射的混合卸載功率來干擾竊聽者以保證信息安全,同時本地中央處理器(central processing unit, CPU)進行本地計算;在第2個時隙,出于公平性的考慮,已經完成卸載的用戶w不再需要額外花費功率對用戶st卸載過程中的安全性進行保障,處理計算任務量較多的用戶只需將第一個時隙未完成卸載的剩余數據量轉為本地計算即可,最后數據處理完成返回計算結果。

圖3 MSHC工作流程圖Fig.3 Work flowchart of MSHC

此外,兩個用戶在第1個時隙協作卸載時為了信息保密會產生額外的能耗,當卸載計算和保密的能耗總和大于本地計算的能耗時,顯然絕對安全的本地計算是一個更好的選擇,因此可將第2時隙用于原本需要卸載計算的數據量轉為本地計算。這樣通過改變st用戶第2時隙的策略,達到兼顧公平性與安全性的目的。

設β(0≤β≤1)為第1個時隙的任務分配系數,可以依據能耗的指標動態調整用戶卸載和本地計算的數據量,以此來實現能耗最小化的目的。用戶st要處理的總數據量為Lst,第1個時隙卸載的數據量為β(Lst-lst),本地計算的數據量為lst,則剩余數據量(1-β)(Lst-lst)將在第2個時隙進行本地計算;用戶w要處理的數據為Lw,在截止時延T內本地計算的數據量為lw,卸載只在第1個時隙進行,卸載的數據量為Lw-lw。因此,用戶st的卸載速率(bits/s/Hz)為Rs,st=β(Lst-lst)/αBT,w用戶的卸載速率為Rs,w=(Lw-lw)/αBT,其中B為信道帶寬。

討論用戶st的卸載數據量大于等于用戶w的情況,即在第1個時隙結束后,用戶w完成卸載而用戶st仍有剩余數據量沒有卸載完成,數據量相反情況討論類似。

1.1 基于NOMA-MEC的部分卸載

對于兩個用戶來說,在第1時隙均采用部分卸載策略,兩個用戶可以在相同的時間和頻率資源上同時卸載其任務,此時基站b和竊聽者e接收到的信號分別為

(1)

(2)

式中:sk∈C是用戶k卸載時的任務承載信號,且E[|sk|2]=1;pk是用戶的發射功率;nb和ne是零均值加性高斯白噪聲(additive white Gaussian noise, AWGN)。

由于此前假設的|hb,st|2>|hb,w|2,基站會對收到的消息進行串行SIC解碼,因此會先解碼st用戶的信息,此時w用戶的信息會視為干擾,成功解碼st用戶信息后即可對w用戶的信息戶進行解碼。因此基站接收到的用戶st和w的解碼信息的信號與干擾加噪聲比(signal to interference plus noise ratio, SINR)分別為

(3)

(4)

竊聽者接收到的解碼信息的SINR分別為

(5)

(6)

需要注意,此處在構建SINR公式時,可以基于最壞情況假設的思想,假設竊聽者在解碼用戶信息之前可以消除上行用戶的干擾,使得竊聽者信道SINR增加,更容易竊聽,情況最壞,得到的結果保證在更加安全的情況下進行能耗優化,化簡后的竊聽者接收信號的SINR為

(7)

(8)

從合法接收方的角度來看,由于其既不知道竊聽者的能力,也不知道瞬間的信道狀態信息(channel state information, CSI),所以這種假設是為了確保任務的安全而進行的最壞情況[25]。在此假設下,可以得到由于對竊聽容量不利的情況下可達到的系統保密率的下界。

此時,NOMA-MEC系統的部分卸載能耗可以表示為

(9)

1.2 基于NOMA-MEC的本地計算

設計算lk比特的數據所需的CPU周期為cklk,ck為本地計算每比特計算所需的CPU周期數,此時用戶k進行本地計算消耗的能量可表示為CPU頻率的函數,使得能耗最小的情況便是每個周期內CPU頻率都是相同的,即fk=cklk/T[26]。

根據文獻[27]中的結論,用戶本地計算所消耗的能量與電容系數、處理1 bit數據所需的CPU周期數、本地計算任務量以及截止時延T有關,即

(10)

(11)

式中:ξk為電容系數;ck為計算1 bit任務所需的CPU周期數;lk為第一個時隙本地計算任務量且k∈{st,w}。

系統的總能耗為卸載能耗式(9)與本地計算能耗式(11)之和:

(12)

1.3 保密中斷概率

(13)

(14)

2 能耗最優化求解

在上述設置下,綜合考慮系統中兩個用戶的通信安全可以將問題表示為最小能耗問題:

(15)

由于在文獻[26]中已證得能耗最小的情況便是每個周期內CPU頻率都是相同的即fk=cklk/T,因此可以取代式(15g)并給出化簡后的優化函數表達式:

(16)

s.t. (15a)～(15f)

式(15a)、式(15d)和式(15e)分別對系統用戶的本地計算任務量、發射功率以及時隙和任務分配比例做了限制;式(15b)和式(15c)表示的是用戶卸載數據時的卸載速率,等于數據量與時間的比值;式(15f)則代表了保密中斷概率的限制,使得系統能夠在安全的條件下卸載數據。此時的目標函數和約束中的變量均為耦合形式,是非凸函數,難以直接求出最優值。因此,可以通過塊坐標下降(block coordinate descent, BCD)算法循環迭代至收斂進行求解。先將α與β固定視為常數,通過調整lk和pk找到本次迭代的最小值后分別對α與β進行一維搜索,如此循環迭代直至收斂。將α與β的值固定視為常數得到的優化函數為

(17)

(18)

(19)

(20)

(21)

最后,將lst和lw進行遍歷二維搜索,可以得到在固定α與β時的最優能耗值。

根據前文所述,固定l,p,遍歷0≤β≤1求解最優能耗,則目標函數可以寫為

(22)

利用式(13)對式(22b)進行推導可得

(23)

將式(23)與式(22a)合并后得到最終關于β的約束:

(24)

所以,在得到l,p的值以后,優化問題可以轉換為固定α,l,p時求解關于β變量的能耗優化函數:

(25)

s.t. (24)

當α,l,p的值固定時,(1-β)3在[0,1]上進行最優搜索可以直接進行求解。

最后,將前兩個子問題得到最優值時的變量β,l,p固定,從而對變量α的優化問題進行求解得到:

(26)

將式(26b)根據式(13)展開后可以分別得到st用戶和w用戶的截止時延分配比例α需要滿足:

α≥c1

(27)

α≥c2

(28)

式中:

(29)

(30)

由于在系統中兩個用戶需要同時滿足約束,故取兩個約束的交集并與式(26a)結合可以得到化簡后的優化問題與約束:

(31)

s.t. max{c1,c2}≤α≤1

(31a)

同理,對變量α進行遍歷后可以得到固定β,l,p情況下的最優值。至此第一輪迭代已完成,將本輪搜索到的最優變量代入下一輪循環繼續迭代直至收斂。根據以上的分析和結論,提出了基于BCD的能耗優化算法如算法1所示。

算法 1 基于BCD的能耗優化算法1: 設置 信道條件:hb,k,he,k,?k∈{st,w} 分配比例:α,β2: 根據指定條件初始化lst,lw3: 根據式(18)～式(21)計算 pst,pw,Rs,st,Rs,w4: 第n次遍歷式(17)后得到最優值E1(n)5: 初始化β6: 第n次遍歷式(25)后得到最優值E2(n)7: 初始化α8: 第n次遍歷式(31)后得到最優值E3(n)9: 重復步驟2～步驟8得到E1(n+1)、E2(n+1)、E3(n+1)10: 當|E3(n+1)-E3(n)|在設定精度ζ內時收斂11: 輸出l*k,p*k,α*,β*,E*

BCD算法中,由于每個子問題在拆分后只與當前變量有關,其他變量均視為常數。顯然,子問題函數為可微的凸函數,符合BCD求解函數全局最優的前提,當3個子問題的目標函數式(17)、式(22)、式(26)在每次迭代時均能得到最優解時,其數值在迭代過程中是單調非增的且優化變量有界[28]。綜上所述,基于BCD的能耗優化算法收斂且可以通過子問題迭代優化得到最優值。

在以上分析的基礎上,算法1在給常量賦值之后,將數據量lst,lw進行遍歷循環計算,設輸入用戶st和用戶w的數據量各為M和N,則MN為優化問題式(17)執行一次所代表的復雜度。優化問題式(25)與式(31)在每次確定了β的上限與α的下限之后可以直接進行凸函數的求解,在常量值已經確定且查找次數為L的情況下,復雜度均為1+log2L。至此一輪迭代已經結束,在此后的循環迭代過程中,每次結果都會利用上一次迭代結果的最優值進行計算,只要迭代的次數足夠多,所得結果會無限接近于最優值并最終完成收斂,設迭代次數為K,則可以得到最終算法1復雜度為O[K(2+MN+2log2L)]

綜合上述工作,在5G蜂窩網中,配對完成后的用戶根據實時需要處理的計算量來動態調整兩個時隙的長度以及卸載比例,以便于在每個時隙以最小化能耗為目標執行卸載策略。當用戶間輸入計算量差距較小時,可以延長第1個時隙持續時間,使其盡量在確保安全的情況下以更快速度和更低能耗完成卸載;當用戶間輸入計算量差距較大時,可以在第1個時隙適當增加功率盡量卸載一部分數據量,剩余計算數據量將以更安全的本地計算形式在第2個時隙完成計算。通過優化策略的動態調整和輸入數據量的計算,最終將信息結果安全返回。

3 仿真結果分析

在本節中通過仿真軟件對系統能耗進行性能分析和驗證,并將提出的MSHC方案與其他基準方案的性能進行對比?？紤]一個上行鏈路系統,并且依據參考文獻[12]對常用參數常量進行設置,以此為根據進行仿真計算。在安全正交多址(orthogonal multiple access, OMA)-MEC方案中,用戶在同一時間段只能存在一個用戶進行卸載并且卸載速率要足夠高以防止竊聽,本地計算同步進行;在安全全卸載方案中,用戶在數據處理的時間段同時進行數據的卸載,并不進行本地計算。

相關參數如表1所示,其中?k∈{st,w},收斂精度ζ代表子問題結束循環迭代的條件。

表1 仿真參數Table 1 Simulation parameters

圖4展示了用戶輸入的計算數據量與系統總能耗的關系,參考文獻[16]提出的卸載方案設定了兩個用戶始終同時進行數據卸載的方案。由圖4可知,本文提到的MSHC方案比起全卸載方案和OMA方案實現了更低的能耗水平,這是因為系統進行全卸載時,原來本地計算的數據也會進行卸載,此時系統會額外增加卸載功率從而保護用戶的隱私。對于OMA-MEC方案,用戶喪失了混合協作干擾的能力,因此需要額外增加卸載時的發射功率從而保證用戶隱私。而文獻[16]所提出的方案中,由于用戶在每個時隙進行數據的卸載,會互相提供額外的干擾功率以保證用戶的隱私不被竊聽,由此帶來的額外干擾功率增加了系統的總能耗?？梢钥闯?在滿足給定的保密中斷概率的情況下,隨著輸入數據量的增加,系統處理數據的能耗也隨之增加,同時類比于其他方案,MSHC卸載方案所降低的能耗也就越多,且在輸入數據量達到4×105bits時,本文所提出的MSHC方案要比文獻[16]中提出的方案降低30%能耗。

圖4 用戶輸入數據量與系統總能耗Fig.4 Sum-energy consumption at users versus the number of computation input bits

圖5展示了竊聽者距用戶的距離與系統的總能耗之間的關系,可以看出在保證保密中斷概率的同時,所有方案都會隨著竊聽者距離的增加而能耗減小,這是因為竊聽者距離用戶越遠,竊聽者到用戶的信道狀態就會越差,干擾的增加使得竊聽者更加難以辨別有效信息進行竊聽。因此,維護信息安全所需的額外功率減少,使得最終系統能耗隨竊聽者距離的增加而降低。該圖5中可以觀察到,所提出的MSHC卸載方案相較于其他方案,能耗一直是最小的。并且竊聽者距離越近,MSHC方案相較于文獻[16]所提出的卸載方案降低的能耗就越多,隨著距離的增加,二者之間的差值將基本不再變化。當竊聽者距離用戶超過110 m時,系統能耗將維持基本不變,此時可以看作系統中不存在竊聽者,系統會實現完全保密的效果。

圖5 竊聽者距離與系統總能耗Fig.5 System sum-energy consumption versus the distance from the users to the eavesdropper

圖6展示了用戶保密中斷概率與系統總能耗之間的關系,可以看出在輸入數據量不變的同時,4種方案都會隨著保密中斷概率的增加而能耗降低。隨著保密中斷概率的提高,系統就越容易中斷,對受到信息安全威脅時的容忍度越低,從而保證信息安全而額外消耗的能量就會越少。

圖6 保密中斷概率與系統總能耗Fig.6 System sum-energy consumption versus the secrecy outage probability

此外,所有方案在保密中斷概率較低時的能耗都是偏高的,因為每個方案都會為了更嚴格的保密而消耗更多的系統能量。且MSHC卸載方案在整個區間內相較于其他對比方案,其能耗都是最低的,隨著保密中斷概率的增加,MSHC方案降低能耗的速度更快。在保密中斷概率為0.1時,本文所提及的安全MCHC卸載與OMA-MEC方案和文獻[16]所提出的卸載方案進行對比,能耗分別下降了66%和40%。

圖7展示了用戶的總的執行時間與系統總能耗之間的關系,可以看出,隨著截止時延的增加,能耗會逐漸減低并最終趨于穩定。這是因為截止時延較小時,對系統在短時間的計算處理速度和保密性能有較高的要求,因此能耗較高;而隨著截止時延的增加,時間逐漸充裕,不需要消耗過高的能量在保密傳輸上,因此在輸入數據量固定的情況下,后半段能耗會隨著截止時延的增加逐漸趨于平穩。并且MSHC卸載方案在整個區間與其他方案相比都是最低的,即使在截止時延T=0.1 s時,MSHC卸載方案相較于全卸載和OMA-MEC方案的能耗都是最低的,這符合客觀條件也印證了本方案相對于其他方案的優越性,為時隙資源缺乏和追求效率的低時延5G時代提供了借鑒。

圖7 時隙長度與系統總能耗Fig.7 System sum-energy consumption versus the time slot length

圖8展示了不同變量參數下系統總能耗隨輸入的計算數據量的變化情況,并給出MSHC方案分別與3種不同參數卸載方案的對比結果。卸載方案①固定兩個用戶的本地計算數據量lst=1.8×105bits和lw=6×104bits;卸載方案②固定兩個用戶卸載時的發射功率pst=pw=300 mW;卸載方案③固定輸入數據量較多的用戶任務分配系數β=0.6。通過結果可以看出固定某些變量對系統能耗的影響。

圖8 固定不同卸載參數時系統總能耗隨輸入計算數據量變化圖Fig.8 System sum-energy consumption versus the number of computation input bits by fixing the different offloading parameter

隨著輸入計算數據量的增加,系統的總能耗也會一直增加,卸載方案①設定了不同的用戶本地計算數據量,可以看出雖然本地計算可以完全保證隱私安全,但并不能過度依賴本地計算,由于本地計算時的速度相比云服務器差距懸殊,短時間內的本地計算對計算機的性能提出了較高的要求,在有時延要求的前提下,本地計算數據量超出了合理的范圍時,會額外調動更多資源與功率對數據進行處理,從而引起能耗的大幅增加;卸載方案②提升了卸載時用戶的發射功率,可以看出,雖然較高的卸載功率可以降低時延和保護用戶隱私,但功率過高會帶來額外的能耗成本且卸載功率越高,系統的總能耗就會越大;卸載方案③則是固定了卸載計算數據量的分配比例β,在數據量較小時由于資源充足因此能耗差別并不大,而隨著數據量的增加,一直維持這個分配比例不變則會導致本地計算的能耗增加,從而引起系統總能耗的增加,卸載計算的數據量需要根據輸入計算的數據量而靈活調整。因此,圖8很好地展示了MSHC方案在與多種參數設定方案結果對比的優越性。

4 結束語

本文研究了在惡意竊聽者存在的情況下,保證卸載安全的兩個用戶在相同資源塊上進行任務處理的能耗最優化。首先提出新的用戶協作方式,并且根據已知條件對目標函數進行優化,通過BCD算法將復雜的目標函數分成3個容易處理的子問題,在保證保密中斷概率的前提下采用BCD算法循環迭代得到用戶的最佳卸載決策方案,實現了最小化能耗的目標。實驗結果表明,與其他卸載方案相比,在截止時延合理的前提下,所提出的方案無論是能耗還是安全性能均優于其他方案,并為NOMA的發展與時隙的劃分提供了新的思路。下一步將考慮計算密集型場景下,用戶在不同時隙中依據時延和處理任務量等指標靈活選擇計算卸載策略,研究平衡用戶隱私安全與系統能耗的最優方案。