欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2023109781123
申请人: 华东交通大学
专利类型:发明专利
专利状态:未下证
专利领域: 电通信技术
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.超密集网络联合资源分配和能效型安全计算卸载优化方法,其特征在于,所述方法包括:步骤S1:获取超密集物联网网络的基础信息,根据基础信息构建网络系统,所述网络系统包括通信模型、计算模型、安全模型以及多任务模型,并在所述网络系统的约束下构建优化问题,即在满足安全漏洞总成本和延迟约束的同时,联合资源分配、功率控制以及用户关联,执行多步安全计算卸载,实现最小化全网能耗的目标,根据以下公式构建优化问题:其中, 代表计算任务总时间, 代表计算任务的总能耗,IMD 代表用户终端设备 ,SBS代表小基站,MBS代表宏基站,BS代表基站,SBS最多有 个,SBS的集合表示为,MBS的索引由0给出, 表示所有基站的集合,用户最多有 个,则用户的索引集合 ,每个用户最多有 个独立任务,则每个用户的相对独立的任务索引集合为 ,加密算法有 个,则鲁棒性最小和最大的算法分别表示为 和 ,索引集合记为 , 表示用户卸载决策,表示卸载决策的索引集合, 表示IMD 与SBS 相关联,否则, ; 表示IMD  的第 个任务是否选择加密算法 ,表示任务的安全保护决策变量的索引集合, 表

示IMD 的第 个任务与安全保护级别的加密算法 相关联,否则, 表示IMD 的第 个任务的安全保护级别为1; 为IMD 的上行链路发射功率,则表示IMD 的上行链路发射功率的索引集合; 表示IMD 执行计算卸载的数据量,IMD卸载至BS的数据量的索引集合 ; 为SBS卸载到MBS的数据量,则 表示SBS卸载至MBS的数据量索引集合, 取一个趋近零的值;频带划分因子为 以及 表示IMD 的安全漏洞总成本; 表示IMD 的计算任务总时间不能超过任务执行最大允许时延 ; 表示IMD的安全漏洞总成本 不能超过IMD 的最大允许安全漏洞总成本 ; 和 表示一个IMD只能与一个基站相关联; 和   表示IMD 的第   个任务只能与一个安全保护加密算法相关联; 表示IMD 的传输功率下界 和上界 ; 表示当IMD 与SBS相关联时,IMD将任务 卸载 比特至SBS 上处理,然后,SBS 将接收到的第 个任务的部分 比特卸载至MBS; 和 要大于等于 但小于等于IMD 的任务 的数据大小 , 要大于等于 ; 表示频带划分因子的下界 和上界1;

步骤S2:根据所述优化问题采用改进的鲸鱼算法IWOA进行粗粒度搜索,具体包括首先初始化种群及确定历史最优鲸鱼个体;然后在收缩包围阶段,采用自适应非线性权重因子和 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扩展改进的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,直至最大迭代次序,最后输出目标种群中所有鲸鱼个体的编码;

步骤S3:以目标种群中所有鲸鱼个体的编码初始化粒子群中粒子的位置,并使用改进的自适应粒子群算法IPSO进行细粒度搜索,对粒子群中粒子的位置进行更新,得到全局最优粒子的位置;

步骤S4:通过改进的鲸鱼算法IWOA与改进的自适应粒子群算法IPSO结合构成改进的鲸鱼粒子群算法WPSO,最后根据全局最优粒子的位置执行联合资源分配和能效型安全计算卸载优化配置。

2.根据权利要求1所述的超密集网络联合资源分配和能效型安全计算卸载优化方法,其特征在于,所述步骤S2包括:步骤S21:初始化采用改进的鲸鱼算法的最大迭代次序 ,并将当前迭代索引 设置为

1;

步骤S22:单个鲸鱼个体 ,种群 中每个鲸鱼个体完成鲸鱼个体编码;首先,定义目标函数为鲸鱼个体的适应度值,再将优化参量 分别编码为 ,其中, , 表示鲸鱼个体 中与IMD相关联的BS指数; , 表示鲸鱼个体 中与IMD 相关联的安全加密算法级别; , 表示鲸鱼个体 中IMD 的发射功率;

, 表示鲸鱼个体 中IMD 卸载到关联SBS上的数据量;

, 表示鲸鱼个体 中IMD 卸载到关联MBS上的数据量;其中 表示鲸鱼个体 的频带划分因子; 代表虚拟IMD的集合,长度为 ;

步骤S23:初始化鲸鱼种群,并根据以下公式构建鲸鱼种群中鲸鱼个体 的适应度函数:其中, 表示鲸鱼个体 的适应度函数值, 表示IMD 的时延约束的惩罚因子, 表示IMD 的安全漏洞总成本约束的惩罚因子, 代表计算任务的总能耗,代表计算任务总时间, 为任务执行最大允许时延, 为IMD 的安全漏洞总成本,为IMD 的最大允许安全漏洞总成本;

使用适应度函数计算鲸鱼种群中所有鲸鱼个体的适应度值,并将适应度值最高的鲸鱼个体作为历史最优鲸鱼个体;

步骤S24:判断当前迭代索引 是否小于等于最大迭代次序 ,若当前迭代索引 小于等于最大迭代次序 ,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,以得到目标种群,若当前迭代索引 大于最大迭代次序 ,则输出目标种群中所有鲸鱼个体的编码。

3.根据权利要求2所述的超密集网络联合资源分配和能效型安全计算卸载优化方法,其特征在于,所述步骤S24包括:步骤S241:每头鲸鱼的位置就是一个可行解,在解空间内若干鲸鱼个体不断更新位置,直至获得全局最优解,单个鲸鱼个体 ;

鲸鱼个体 包围猎物位置 的行为表述为:

其中, 表示对 向下取整的函数, 是 的绝对值; 表示猎物位置;

为历史最优鲸鱼个体的位置,

为全局最优鲸鱼个体的位置;

和 为自适应非线性权重值,用来更新鲸鱼个体的位置; 为取值在 之间的随机数; 为迭代索引; 为最大迭代次序; 与 均为随机数,取值在 之间;

步骤S242:鲸鱼的螺旋气泡网攻击包括收缩环绕和螺旋运动同时进行,任何鲸鱼个体的猎物位置 之间的螺旋方程为:其中, 为历史最优鲸鱼个体的位置,

为全局最优鲸鱼个体的位置, 用于自适应调节螺旋幅值,避免陷入局部最优,可由

其中 为随机数,取值在 之间, 为惯性权重系数; 为迭代索引; 为最大迭代次序;

步骤S243:任意鲸鱼个体 的猎物搜索行为表示为:其中, 为全局最优鲸鱼个体的位置,权重 用于自适应调节突变的大小;

步骤S244:使用适应度函数计算变异后鲸鱼种群中鲸鱼个体的适应度值,将适应度值最高的鲸鱼个体作为当前最优鲸鱼个体,并判断当前最优鲸鱼个体的适应度值是否高于历史最佳适应度值,若当前最优鲸鱼个体的适应度值高于历史最佳适应度值,则用当前最优鲸鱼个体替换历史最优鲸鱼个体;

步骤S245:将当前迭代索引 的值加1。

4.根据权利要求3所述的超密集网络联合资源分配和能效型安全计算卸载优化方法,其特征在于,所述步骤S3包括:步骤S31:初始化改进的自适应粒子群算法的最大迭代次序 ,并将当前迭代索引设置为1;

步骤S32:将目标种群中所有鲸鱼个体作为改进的自适应粒子群算法的粒子,对于鲸鱼个体 , 为粒子在第 次迭代的历史最优位置,则令

以及 为改进的自适应粒子群在第 次

迭代的历史最优位置的索引集合;

为粒子在

次迭代的最优位置,则令

以及

为改进的自适应粒子群在 次迭代的最优位置的索引集合;将具有历史最优位置的粒子视为历史最优粒子,具有全局历史最优位置的粒子视为全局最优粒子,全局最优粒子由鲸鱼个体 最优位置的粒子得出;

步骤S33:使用适应度函数计算所有粒子在历史最优位置时的适应度值,将历史最优位置中适应度值最高的粒子作为全局最优粒子,并初始化全局最优粒子 的位置;

步骤S34:判断当前迭代索引 是否小于等于最大迭代次序 ,若当前迭代索引 小于等于最大迭代次序 ,则更新鲸鱼个体的速度和位置,并根据鲸鱼个体的速度和位置更新全局最优粒子的速度和位置;

步骤S35:使用适应度函数计算所有粒子位于历史最优位置时的适应度,并将所有粒子位于历史最优位置中适应度值最高的粒子作为全局最优粒子;

步骤S36:将当前迭代索引 的值加1。

5.根据权利要求4所述的超密集网络联合资源分配和能效型安全计算卸载优化方法,其特征在于,所述步骤S34包括:步骤S341:根据以下公式更新鲸鱼个体 的速度:其中,任意鲸鱼个体 的惯性权重由公式 更

新, 和 分别为最大惯性权重和最小惯性权重, 为迭代索引, 为最大迭代次序, 表示公共粒子组合,为粒子在第

次迭代的历史最优位置,

为粒子群在

次迭代的最优位置, 与 分别表示

与 在第 次迭代的速度,

与 分别表示 与 在

第 次迭代的位置, 与 分别表示

与 在第 次迭代的速度, 表示鲸鱼个体 在第

次迭代的惯性权重; 以及 分别代表学习因子和社会因子,与 均是随机数;

步骤S342:在更新粒子速度后,任何鲸鱼个体 位置可由下式更新:其中, 表示对 向下取整的函数,

与 分别表示

与 在第 次迭代的位置;

步骤S343:根据以下公式更新全局最优粒子 的速度:其中, 分别代表全局最优粒子

第 次迭代的速度, 分别

代表全局最优粒子 第 次迭代的速度, 是第 次迭代时的比例因子, 是常系数, , 与 均为随机数;

步骤S344:根据以下公式更新全局最优粒子 的位置:其中, 分别代表全局最优粒子

第 次迭代的位置,为了让改进的自适应粒子群算法去随机搜索全局最优位置的周围区域,令全局最优粒子位置为 ,则比例因

子 可由下式的规则来更新:

其中,比例因子 用于驱使改进的自适应粒子群算法在全局最优粒子附近搜索可行解, 代表连续成功的次数, 代表连续失败的次数, 与 代表阈值参数;此外,若,则显示失败,否则暗示搜索成功;

步骤S345:使用适应度函数计算所有粒子的适应度,并判断当前适应度是否高于位于历史最优位置时的适应度,若当前适应度高于位于历史最优位置时的适应度,则将粒子的当前位置作为历史最优位置。

6.根据权利要求5所述的超密集网络联合资源分配和能效型安全计算卸载优化方法,其特征在于,所述步骤S4包括:根据步骤S32中改进的自适应粒子群在 次迭代的最优位置的索引集合,将全局最优粒子的位置还原成原始优化参量解的形式;

并根据所获取的解,执行用户任务卸载、密码算法选择、用户计算资源分配、基站资源分配与用户功率控制。

7.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述方法的步骤。

8.一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6任一项所述方法的步骤。