具有隱私保護的車聯網邊緣計算任務卸載資源分配策略

王艷閣，奚建清

(1.鄭州經貿學院 計算機與人工智能學院，河南 鄭州 451191； 2.華南理工大學 軟件學院，廣東 廣州 510640)

0 引 言

近年來移動互聯網迅速崛起，加之通信技術迭代更新速度不斷加快使得萬物互聯成為了熱點[1]，物互聯的體驗感與網絡性能有著直接關系[2]。雖然無線設備(wireless devices，WDs)的CPU計算能力越來越強大，但是要在短時間內完成這些復雜應用的數據處理仍然是不可能的[3,4]。此外，在本地進行數據處理也面臨著高能耗的問題[5,6]。為了克服這些難題，有些學者嘗試建立了移動邊緣計算(mobile edge computing，MEC)技術并且得到了廣泛關注[7-10]。

車聯網作為萬物互聯網中最為典型的一種應用方式，對于計算要求也相對更高，合理地在移動邊緣計算側對車聯網進行資源管理，可有效實現高效可靠的車聯網最優運行[11,12]。文獻[13]針對車聯網邊緣計算資源優化問題的非凸性和NP難性，設計了一種啟發式算法——容錯粒子群優化算法，用于求解具有時延約束的可靠性最大化問題。文獻[14]提出了一種混合多跳邊緣計算卸載算法，重點研究了最優多跳邊緣計算卸載方法。此外，還建立了一個多跳卸載開銷模型來評估性能。文獻[15]研究了一個支持邊緣計算的云計算中心IOV框架，旨在提高車輛的服務質量?；谙伻簝灮惴?ant colony optimization，ACO)，提出了一種聯合卸載選擇策略和計算資源分配策略的優化方法。文獻[16]提出了一種僅依賴于車對車(vehicle-to-vehicle，V2V)通信的任務卸載方案。文獻[17]提出基于遺傳算法的卸載策略(GAOS)。探討使用了遺傳算法中的卸載策略。

上述研究工作只關注于卸載決策和資源分配的問題，而忽略了無線設備電池容量有限的問題。無線供能通信網(wireless powered communication network，WPCN)是一種聯合傳輸的形式，且實現了無線能量和無線信息在不同時間序列中進行傳輸。本文研究了基于時分多址協議的多用戶無線供能移動邊緣計算系統的能量效率最大化問題，并提出了基于系統時間、能耗、卸載計算能力和本地計算能力多方面的聯合優化方案。本文提出的最優化問題的目標是實現系統能量效率最大化。最后，本文設計了一種基于模擬退火算法的優化算法來解決上述最優化問題。在任務卸載過程中，本文采用時分多址(time-division multiple-access，TDMA)協議來協調多個車輛的任務卸載。該方法能夠大大降低與端服務器的壓力，并且能夠最大程度上的避免數據被泄露。

1 系統模型及問題建模

1.1 系統概述

本文針對無線供能移動邊緣計算系統進行研究。如圖1所示，該系統包括了3個部分，分別為：移動邊緣計算服務器、一個單天線的混合接入點和N個單天線的車輛。其中，混合接入點與移動邊緣計算服務器集成在一起。一方面，混合接入點向所有的車載無線設備廣播射頻信號，從而對無線設備進行充電。另一方面，移動邊緣計算服務器通過混合接入點接收車輛端需要卸載的任務。完成計算任務后，移動邊緣計算服務器將計算結果發送回車輛。每個車輛中集成了一個射頻-直流轉換器和一個可充電電池。車載無線設備可以通過轉換模塊將射頻信號轉換為電能，并存儲在電池中。在該系統中，移動邊緣計算服務器集成了一個混合接入點(hybrid access point，HAP)，使得WP-MEC系統能夠實現許多功能，包括混合接入點向所有車輛廣播射頻信號，以及移動邊緣計算服務器可以通過混合接入點接收到車輛端卸載的任務。

圖1 基于時分多址協議的無線供能移動邊緣計算系統

大多數物聯網移動智能終端內的即時通訊軟件在使用時的數據流向如圖2所示，終端A將信號傳輸至終端B，但是信號首先要傳輸至云端服務器，然后再經其轉發進而傳輸至B，與此同時云端服務器還會向A發送信號已經傳輸至B的指令。該機制中云端服務器發揮著十分重要的樞紐作用，盡管能夠保證信號傳輸的穩定性，但是在移動終端快速發展的今天，云端服務器的壓力將會呈爆炸式增長，對于計算能力的要求也會越來越高，這必然會導致數據風險快速增長。

圖2 即時通訊軟件數據的流向

針對上述風險，本文建立了面向無線能量傳輸和無線信息傳輸的時間塊模型?！笆占缓髠鬏敗眳f議應用于每個時間塊。因此，在該模型中，車輛首先收集能量，然后在每個時間塊中執行任務計算操作。邊緣設備有兩個功能：一是進行數據中轉；二是對數據進行加密處理。不僅要對接收的數據進行加密，對于發送的數據也要進行加密，換而言之，邊緣設備要對經過該設備的所有數據都進行加密處理，這種方法不僅能夠為云端服務器減壓，其最大優點是能夠保護數據的安全性，防止泄露的發生。本文使用TΓ表示無線信息傳輸階段，T(1-Γ) 表示無線能量傳輸階段。時間塊T中的無線信息傳輸階段和無線能量傳輸階段需滿足式(1)所示的約束條件

T(1-Γ)+TΓ≤T

(1)

1.2 計算模型

gi=Ad×(di)-αi∈{1,…,N}

(2)

其中，Ad表示天線增益，α表示路徑損耗指數，di表示第i個車輛Vi和混合接入點之間的距離。設vi為第i個車輛Vi的傳輸功率，σ為噪聲功率，W為帶寬。那么，此時可獲得第i個車輛Vi的上行鏈路卸載速率(比特每秒)，如式(3)所示

(3)

根據式(3)可計算得出第i個車輛Vi的卸載能力，即第i個車輛Vi可卸載的比特數為

Coff,i=Roff,i×tii∈{1,…,N}

(4)

考慮到移動邊緣計算服務器的計算能力限制，任務卸載能力Coff,i也需滿足如下約束

Coff,i≤MCoff

(5)

其中，MCoff代表著移動邊緣計算服務器處理車輛Vi端卸載任務時可處理的最大比特數。那么，此時可獲得車輛Vi進行任務卸載的能耗，如式(6)所示

ECoff,i=(vi×ti)+(cp×ti)i∈{1,…,N}

(6)

其中，vi表示車輛Vi的信號傳輸功率，cp表示數模轉換器的恒常功率值。

由于本地計算操作需要在時間段T內進行，本文使用lti表示車輛Vi的本地計算時間。其中，lti需滿足一定約束條件，即0

(7)

由于車輛的計算資源是有限的，本文使用MCloc,i表示車輛Vi可以處理的最大比特數。那么，車輛Vi的本地計算能力Cloc,i需要滿足以下約束條件

Cloc,i≤MCloc,i

(8)

根據式(7)，車輛Vi本地計算速率可計算為

(9)

本地計算的能耗可以計算為

(10)

其中，li為車輛Vi處理器芯片的能效系數。

1.3 能量收集和消耗模型

本文假設所有的信道狀態信息都是已知的。那么，車輛Vi所獲得的能量就可計算為

(11)

(12)

bti是在時間塊T中，車輛Vi的電池電量水平(即剩余電池電量)。由于車輛需要維持其射頻信號接收和能量轉換的基本功能，本文設定電池電量水平bti≥0。 為了保證車輛Vi能夠連續工作，車輛Vi進行任務卸載和進行任務本地計算的能耗之和ECloc,i+ECoff,i不能超過車輛Vi收集的能量和車輛Vi電池中剩余的能量之和Ei+bti。 那么，車輛Vi的能耗需滿足以下約束

ECloc,i+ECoff,i≤Eharvest,i+bti

(13)

在此方法中，電池性能主要受兩個方面影響，即電池充電和電池電量水平。因此，本文從這兩個方面來討論電池的性能表現。

(2)電池電量水平：一方面，無線設備的電池電量水平與無線設備的能耗成反比關系。主要原因為，當無線信道增益為gi， 且無線設備收集到的能量Eharvest,i為常數時，如果無線設備的能耗ECloc,i+ECoff,i越高，那么車載無線設備電池的剩余能量越低，即電池電量越低。另一方面，電池電量水平與無線設備收集到的能量成正比關系。主要原因為，當車載無線設備的能耗ECloc,i+ECoff,i為常數時，如果無線設備收集的能量越多，那么無線設備的電池積累的能量越多，電池電量就越高。

1.4 問題建模

本文主要研究了能量效率的最大化問題。在針對該最優化問題建模時需考慮上行鏈路卸載率、本地計算速率、所有車輛的總能耗以及混合接入點的能耗等多個方面。設移動邊緣計算服務器的任務量占總任務量的比例因子為α， 本地執行的任務量比例因子為β。 基于式(6)、式(10)以及式(12)，無線供能移動邊緣計算系統的總能耗可建模為

(14)

根據式(3)和式(9)，無線供能移動邊緣計算系統的計算速率為任務卸載率與本地計算速率之和，可計算為

(15)

最后，基于系統計算速率和系統能耗，本文針對系統最大能效問題進行了建模。該最優化問題與任務計算時間分配、車輛的本地計算能力和卸載能力、車輛獲取得到的能量以及能量消耗等多個方面有關。該系統能效最大化問題可如式(16)和式(17)所示實現問題模型的建立

(16)

(17)

其中，t=[t1,t2,…,tn]，lt=[lt1,lt2,…,ltn]。C1和C2分別是針對本地計算時間和任務卸載時間的約束條件，C3和C4分別是針對卸載能力和本地計算能力的時間約束條件，C5是針對能量的約束條件。

2 一種系統能量效率最大化算法

由于上述優化模型的優化目標與約束條件之間存在非線性關系，求解較為困難，故采用模擬退火算法對優化模型進行求解。

2.1 建立metropolis準則

(18)

其中，p為接受當前解為最優解的概率，可表達為

(19)

式中：φ為玻爾特茲曼常數。

2.2 算法流程

算法過程如算法1所示。

算法1：模擬退火算法

(1)初始化：高溫Tmax=100、 溫度下限Tmin=1

(2)設當前狀態處于最高溫，即T(k)=100

(4) 將S1={α1,β1} 賦值給最佳解S*={α*,β*}

(5) 初始化當前溫度下的迭代次數L=100

接受當前解為最優解，并將S′={α′,β′} 賦值給最佳解S*={α*,β*};

Else

以metropolis準則中的概率p接受S′={α′,β′} 作為當前最優解

End if

Ifm=L

End if

Else 返回(6)

(8)T(k+1)≤αT(k)

IfT(k+1)≤Tmin

End if

Else 返回(6)

3 仿真實驗

在這一章中，本文進行了仿真模擬實驗，并根據仿真模擬實驗結果對本文提出的算法進行了性能評估。

3.1 基準算法和參數設置

以下4種算法作為該算法的基準算法：

(1)全卸載模式：無線設備只能利用將計算任務卸載到移動邊緣計算服務器進而完成其計算任務。

(2)僅本地計算模式：無線設備僅選擇在本地執行任務計算。

(3)文獻[15]提出的蟻群優化算法(ant colony optimization，ACO)，該算法是一種聯合卸載選擇策略和計算資源分配策略的優化方法。

(4)文獻[17]所嘗試的基于遺傳算法中的卸載策略。這種算法就是通過對不同車速需求、不同MEC覆蓋需求等分配不同的優先級，再對不同優先級設置相應的權重，該方法經驗證效果較好。

本次仿真模擬實驗的系統參數設置具體見表1。

表1 系統參數設置

3.2 仿真實驗結果

3.2.1 系統能量效率性能對比

如圖3所示，本文通過改變N的值來研究不同的車輛數量對系統能量效率的影響。如圖3所示，與全卸載模式、僅本地計算模式相比，所提策略的系統能量效率比上述兩種模式均提高了15%以上。在3種模式中，系統能量效率都隨著N的增加而增加。這是因為N的增加意味著在任務計算過程中涉及的車輛越多，從而導致系統能量效率的增加。

圖3 不同的車輛數量對系統能量效率的影響

如圖4所示，本文通過改變tp的值來研究不同的混合接入點傳輸功率tp對系統能量效率的影響。從圖4中可知，與全卸載模式、僅本地計算模式相比，所提策略的系統能量效率比上述兩種模式均提高了20%以上。此外，在3種模式中，系統能量效率都隨著tp的增加而增加。主要原因為，當tp越高時，車輛Vi收集到的能量越多，使得車輛有足夠的能量來執行任務計算，從而提高了系統的能量效率。

圖4 不同的混合接入點傳輸功率對系統能量效率的影響

圖5 混合接入點與車輛之間不同的平均距離對系統能量效率的影響

如圖6所示，本文通過改變tp的值來研究了不同的混合接入點傳輸功率tp對平均電池電量的影響。從圖6中可知，所提策略的平均電池電量比全卸載模式、僅本地計算模式的平均電池電量分別高了40%以上。在3種模式中，平均電池電量都隨著tp的增加而增加。這是因為根據式(3)，當tp的值越高時，車輛收集到的能量越多，因此車輛電池中剩余的能量也就越多。

圖6 不同的混合接入點傳輸功率對平均電池電量的影響

如圖7所示，本文通過改變dA的值來研究了混合接入點與車輛之間的平均距離dA對平均電池電量的影響。從圖7中可知，所提策略的平均電池電量比全卸載模式的平均電池電量分別高了20%以上。當距離小于7.5 m時，所提策略的平均電池電量比僅本地計算模式高20%以上；而當距離大于6.5 m時，鎖頭策略的平均電池電量比僅本地計算模式低10%左右。在3種模式中，平均電池電量都隨著dA的增加而降低。這主要是因為dA的增加使得下行鏈路的能量傳輸信道情況變差。即根據式(2)和式(3)，距離的增加降低了信道增益gi， 從而使得車輛可獲得的能量減少，最終導致平均電池電量的降低。

圖7 不同的距離對平均電池電量的影響

3.2.2 時延性能對比

圖8描述的是不同車輛數量下幾種方法的系統平均時延變化情況?？梢钥吹诫S著車輛數量增加，5種方法的系統平均時延都在不斷增大。由于為所提策略在任務卸載過程中，采用時分多址協議來協調多個車輛的任務卸載。這種方法不僅緩解了云端服務器的通信壓力。因此相較于對比方法，所提算法系統時延更低。所提寫略能夠以最優的卸載決定和卸載率進行任務卸載，避免了擁塞情況下的額外時延開銷，有效地降低了系統時延。

圖8 不同車輛數量下的系統平均時延

4 結束語

提出了一種具有隱私保護的車聯網邊緣計算任務卸載資源分配策略。本文以移動邊緣計算技術為基礎，研究了基于計算時間分配、能耗、本地計算能力和卸載計算能力多方面的聯合優化問題。此外，為解決這一優化問題，提出了一種基于模擬退火算法的最優化算法。仿真模擬實驗結果表明，提出的算法在能量效率方面的表現優于其它基準算法。提出的算法的預期用途是在無線供能移動邊緣計算系統的實際應用場景中提高車輛的計算性能。

今后的研究工作將繼續從以下幾個方面進行：

(1)從更多方面對本文提出的算法進行評估。即除了本文使用的評估指標(系統能量效率)外，還將增加更多的測試評估指標，如能耗和系統吞吐量等。

(2)通過將本文所提出的算法應用于實際應用場景以測試其實際性能。可以將計算任務卸載到移動邊緣計算服務器上進行任務處理，同時智能家居設備可以收集來自混合接入點的射頻能量。那么，通過以上部署可以將本文所提出的算法集成到這些網絡設備中，從而運行該系統并測試其實際性能。