一种基于NOMA-MEC的物理层安全及能效优化方法

一种基于noma-mec的物理层安全及能效优化方法
技术领域
1.本发明涉及计算机通信技术领域，尤其是基于noma-mec的物理层安全及能效优化方法，在非正交多址的边缘计算系统中计算用户在保证卸载安全的情况下的最小能耗。
技术背景
2.随着网络信息时代的发展，人们对数据的处理和网络性能的提高提出了越来越高的要求。在物联网场景中，移动边缘计算(mec)能够有效地解决计算延迟和网络拥塞问题。计算卸载是大多数利用mec的用户的主要方式。在数据爆炸式增长的时代中，对海量数据的实时处理变得尤为重要，这些数据往往具有很高的计算要求。云计算虽然可以提供集中的计算资源，但由于海量数据和传输信道的限制，给拥挤的网络带来了巨大的压力和高时延，从而影响了客户服务的质量。移动边缘计算(mec)通过利用边缘云的计算和存储资源为用户提供计算能力，解决了计算能力不足的问题。在mec系统中，计算卸载可以利用边缘云中的计算和存储资源，减少数据处理时间，节约能源。计算卸载可分为本地计算、完全卸载和部分卸载三种情况。本地计算是指所有计算任务都在本地执行。完全卸载就是将所有计算任务加载到云中进行处理。部分卸载通常是最有效和最复杂的方法，因为它需要区分卸载到云中的数据和本地计算的数据。
3.非正交多址接入(noma)是第五代无线网络实现低延迟、高可靠性、大规模连接、高公平性和高吞吐量等异构需求的关键技术。noma背后的关键思想是为同一资源块(如时隙、子载波或传播代码)中的多个用户提供服务。通常，noma可以集成到现有和未来的无线系统中，因为它与其他通信技术兼容。例如，noma已被证明与传统oma(如tdma和ofdma)兼容。特别是，在不需要对lte资源块(即ofdma子载波)进行任何更改的情况下，noma原则的使用确保了两个用户同时在同一ofdma子载波上服务。以上例子清楚地展示了noma的巨大潜力，不仅适用于5g网络，也适用于其他即将到来的和现有的无线系统。
4.与传统的云计算相比，最近提倡的移动边缘计算(mec)的无线卸载特性带来了一种新的风险，即可能向窃听者泄露隐私和敏感的用户数据。建立在信息理论方法之上的物理层安全方法被认为比密码学提供了更强的隐私概念，因此可能更适合于防范mec中的窃听。尽管如此，结合物理层安全技术可能从根本上改变移动用户的卸载决策。这表明迫切需要新的审慎设计的卸载方案，这些方案可以共同获得物理层安全和mec的好处。与此同时，移动计算领域的这种革命性变化也带来了卸载隐私的独特新挑战。特别是无线通信的广播性质，在卸载过程中可能会将可能私密和敏感的用户数据泄露给未经授权的接收者或对手。此外，无线卸载功能使得许多现有的传统有线云计算系统的隐私保护技术不适用或效果较差。如果没有适当的保护机制，对隐私敏感的用户可能不会使用mec。对于上述mec中卸载隐私的问题，现有机制大多仍依赖于加密技术，该技术建立在计算问题的难度和窃听者计算能力有限的假设之上。这些机制并不是完全安全的，特别是考虑到超级计算机和量子计算的进步，解密难度将进一步降低。针对此类问题，需要将noma和mec的特性结合起来，改变用户的合作方式，通过多个用户在同一时间卸载数据时的互干扰来扰乱窃听者的正常监
听，从而达到卸载安全的目的，在保证物理层安全的前提下，求解系统的最小能耗。


技术实现要素：

5.本发明所要解决的技术问题是为了解决通过用户间的合作在提高系统卸载安全性的同时保证能耗最低而提出的卸载策略方法。该方法主要应用于安全通信和绿色通信方面，在多用户mec服务器的网络场景中，考虑了非正交多址的特性和系统消耗的能量，同时采用保密中断概率保证通信的安全，通过非凸函数的转换以及最优化求解，最终得到用户的合理卸载方案。
6.本发明的技术方案是一种基于noma-mec的物理层安全及能效优化系统的设计具体包括以下步骤：
7.步骤1、利用用户之间混合协作的特性和本地计算的安全性提出了新的用户混合协作卸载模型；
8.步骤2、根据用户之间的协作方式，为每个用户在不同时隙上计算的任务量做分配；
9.步骤3、根据信道条件提出保密中断概率约束的概念并化简此约束；
10.步骤4、提出优化目标函数并根据优化函数的特点将优化函数分成两个子函数；
11.步骤5、应用已知条件或者假设化简子函数的约束条件；
12.步骤6、采用循环迭代的算法以最小化系统能耗为目标，循环迭代优化问题，得到用户的卸载决策方案；
13.步骤1中利用用户之间混合协作的特性和本地计算的安全性提出了新的用户混合协作卸载模型是指：
14.步骤1-1、在有窃听者存在的边缘计算场景中，用户卸载信息时由于广播的性质会造成信息泄露，因此用户在同时进行数据处理时通过互相发送卸载信号进行安全卸载，并在独自进行数据处理过程中转为本地计算以保证信息安全。
15.步骤2中为每个用户在不同时隙上计算的任务量做分配是指：
16.步骤2-1、由于noma系统会受到强干扰的限制，虽然sic可以用来抑制多用户noma的干扰，但当大量用户执行noma时，会对移动终端的硬件复杂度有很高的要求。此外，由于移动终端的干扰负担更重，信号处理延迟将进一步增加。因此多用户noma方案的研究可以通过将两个用户分组在一起，并使用用户配对技术联合执行noma来完成，在不失一般性的前提下设用户数量为2，即用户m与用户n，我们可以利用用户发送过程中主动引入干扰信息这一特性，在卸载过程中互相干扰来达到扰乱窃听者，从而防止窃听的目的；
17.步骤2-2、假设用户m处理的时间要大于用户n，将总的处理时间分为两个时隙，在第一个时隙用户m与用户n在互相干扰的情况下进行卸载，同时本地cpu处理本地数据，在第二个时隙下，出于公平性的考虑，用户n不再需要额外花费功率对用户m卸载过程中的安全性进行保障，而是通过设置用户m在第二个时隙将数据处理转到本地进行，达到兼顾公平性与安全性的目的，我们讨论用户m的卸载数据量大于等于用户n的情况，即用户m与n在第一个时隙相同时间长度进行卸载后，用户n完成卸载而用户m仍有剩余数据量没有卸载完成，数据量相反情况讨论类似；
18.步骤2-3、可以得到用户和窃听者的信道状态分别由和
表示，其中b代表基站，k代表用户m或n，e代表窃听者，α表示路径衰落系数，g服从参数为(0,1)的复高斯分布，代表了归一化瑞利衰落的信道状态。设|h
b,m
|2＞|h
b,n
|2且窃听者的信道状态未知，我们只能得到窃听者的信道状态均值其中h
b,k
表示用户的主信道状态，而h
e,k
则表示窃听者到用户的信道状态，d表示间隔距离。
19.用户m要处理的数据为lm，本地计算的数据为lm，第一个时隙卸载的数据量为β(l
m-lm)，β为用户m在第一个时隙卸载数据比例，用户n要处理的数据为ln，本地计算的数据为ln，卸载的数据量为l
n-ln。因此m用户的卸载速率为n用户的卸载速率为其中b为信道带宽，t为时隙长度。
20.进一步的，步骤3根据信道条件提出保密中断概率约束的概念并化简约束包括，
21.步骤3-1、当用户m的信道状态优于用户n时，边缘服务器收到的混合功率信号时会优先解调强功率信号即用户m的信息，此时用户n的信号可以看作是噪声，而用户m解调完毕后进行对用户n的解调时，只存在信道噪声干扰，由此可以得到各信道的信噪比。
22.步骤3-2、基于最坏情况假设的思想，我们假设窃听者在解码用户信息之前可以消除上行用户的干扰，此时分母减小，窃听者信道信噪比增加，更容易窃听，情况最坏，得到的结果保证在更加安全的情况下进行能耗优化。
23.步骤3-3、在卸载过程中，当码速率r
t,k
与保密速率r
s,k
之差小于用户到窃听者的信道容量时，会被窃听从而发生保密中断，当把中断概率一直控制在可接受范围内，则可在改善传输速率，引入的保密中断概率表达式为：
[0024][0025]
进一步的，步骤4提出优化目标函数并根据优化函数的特点将优化函数分成两个子函数具体包括，
[0026]
步骤4-1、综合考虑系统中两个用户的通信安全可以将问题表示为原始能耗优化问题：
[0027][0028]
式中和分别代表用户本地计算和卸载的能耗，lk,pk,f,β分别代表用户本地计算数据量，用户发射功率，cpu频率和用户m在第一个时隙卸载数据比例。
[0029]
步骤4-2、根据函数的凹凸性将原目标函数分成两个容易求解的目标函数，分别利用其特性进行求解，两个子问题分别为：
[0030][0031][0032]
进一步的，步骤5包括，
[0033]
步骤5-1、通过二阶偏导数的性质以及时隙t固定的特点推导出(3)约束函数的半
封闭表达式。
[0034]
步骤5-2、根据凸函数的性质对(4)的约束函数进行化简。
[0035]
进一步的，步骤6包括，
[0036]
步骤6-1、在(3)中先将β固定视为常数，通过调整lk和pk找到本次迭代的最小值后对β进行一维搜索，然后通过多次迭代进行求解。由于数据量lk是变量，因此可以将卸载速率rs也看作变量进行求解。固定β后，将β视为常数，得到的优化函数为：
[0037][0038]
其中ξk为电容系数，ck为计算1bit任务所需的cpu周期数。
[0039]
在(4)中遍历0≤β≤1求解最优能耗。将结果依次循环迭代直到相邻两次能耗结果差值在设定的范围内即可跳出循环，从而得到最终的结果。
[0040]
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
[0041]
本发明提出了一种基于noma-mec的物理层安全及能效优化系统的设计，(1)卸载模型采用了改进的新型用户协作卸载模型，在保证用户处理数据量不变的前提下，将用户的数据处理分成两个时隙，在第一个时隙上完成其中一个用户的数据处理，此时可以通过两个用户同时卸载的互干扰来扰乱窃听者的解密，对通信安全起到正向作用。(2)而在第二个时隙，由于数据量较少的用户已经卸载完毕的缘故，本应该继续卸载的数据失去了协作用户卸载时的干扰保护，所以将其转为本地计算，取消了为保护卸载数据信息而额外发出的干扰信号，使得协作用户不必为了保证其他用户的卸载安全而额外消耗功率发射干扰信号，这保证了用户之间的公平性并且进一步降低了系统能耗。(3)此外，本发明将约束问题化繁为简，使复杂问题便于分割成子问题，最后通过循环迭代得到最优的用户卸载策略。
附图说明
[0042]
图1为本发明提供的一种基于noma-mec的物理层安全及能效优化方法的流程图。
[0043]
图2为本发明提供的一种基于noma-mec的物理层安全及能效优化方法的模型图。
[0044]
图3为本发明提供的一种基于noma-mec的物理层安全及能效优化方法的用户数据量分配策略。
[0045]
图4为本发明提供的一种基于noma-mec的物理层安全及能效优化方法的算法流程图。
[0046]
图5为本发明提供的一种基于noma-mec的物理层安全及能效优化方法的不同方案输入数据量与系统能耗的对比。
具体实施方式
[0047]
为了使本发明的目的，技术方案和优点更加清楚，下面将结合附图及具体实施例对本发明进行详细描述。
[0048]
如图1所示的一种基于noma-mec的物理层安全及能效优化系统的设计，该研究用于存在窃听者的多用户mec服务器的网络场景中。该研究首先考虑到用户数据量的分配策
略以及用户之间的合作方式即通过用户协作发送卸载数据混合功率来干扰窃听者的解密，并以保密中断概率为指标保证通信安全。提出初始优化函数并将非凸函数部分转化为凸函数以便于计算，最后采用循环迭代的算法以最小化系统能耗为目标，循环迭代优化问题，得到用户的卸载决策方案。使得用户在保证公平性的前提下卸载数据不被窃听，又以最小的能耗完成了数据的处理，包括如下步骤：
[0049]
第一步：利用用户之间混合协作的特性和本地计算的安全性提出了新的用户混合协作卸载模型；
[0050]
第二步：根据用户之间的协作方式，为每个用户在不同时隙上计算的任务量做分配；
[0051]
第三步：根据信道条件提出保密中断概率约束的概念并化简此约束；
[0052]
第四步：提出优化目标函数并根据优化函数的特点将优化函数分成两个子函数；
[0053]
第五步：应用已知条件或者假设化简子函数的约束条件；
[0054]
第六步：采用循环迭代的算法以最小化系统能耗为目标，循环迭代优化问题，得到用户的卸载决策方案；
[0055]
如图2所示，该系统由多个用户，一个与mec服务器相连的基站和窃听者组成，由于noma系统会受到强干扰的限制，虽然sic可以用来抑制多用户noma的干扰，但当大量用户执行noma时，会对移动终端的硬件复杂度有很高的要求。此外，由于移动终端的干扰负担更重，信号处理延迟将进一步增加。因此多用户noma方案的研究可以通过将两个用户分组在一起，并使用用户配对技术联合执行noma来完成，在不失一般性的前提下设用户数量为2，即用户m与用户n，我们可以利用用户发送过程中主动引入干扰信息这一特性，在卸载过程中互相干扰来达到扰乱窃听者，从而防止窃听的目的；
[0056]
从图2可以得到信道状态由h表示，代表用户卸载到边缘服务器的主信道状态，代表用户到窃听者的信道状态，其中b代表基站，k代表用户m或n，e代表窃听者，g服从参数为(0,1)的复高斯分布，代表了瑞利衰落的信道状态。设|h
b,m
|2＞|h
b,n
|2且窃听者的信道状态未知，我们只能得到窃听者的信道状态均值其中h
b,k
表示用户的主信道状态，而h
e,k
则表示窃听者到用户的信道状态，d表示距离,α表示路径衰落系数；
[0057]
如图3所示，给每个用户分配合理的数据量需要考虑公平性、绿色通信和通信安全等因素，因此假设用户m处理的时间要大于用户n，将总的处理时间分为两个时隙，在第一个时隙用户m与用户n在互相干扰的情况下进行卸载，这样两个用户可以同时向服务器发射功率，所发送的混合功率对扰乱窃听者有很大的作用，同时本地cpu处理本地数据。在第二个时隙下，出于公平性的考虑，用户n不再需要额外花费功率对用户m卸载过程中的安全性进行保障，而是通过改变m用户第二个时隙的策略，达到兼顾公平性与安全性的目的，我们讨论用户m的卸载数据量大于等于用户n的情况，即用户m与n在第一个时隙相同时间长度进行卸载后，用户n完成卸载而用户m仍有剩余数据量没有卸载完成，数据量相反情况讨论类似。
[0058]
设用户m要处理的数据为lm，本地计算的数据为lm，β为用户m在第一个时隙卸载数据比例，则在第一个时隙卸载的数据量为β(l
m-lm)，用户n要处理的数据为ln，本地计算的数
据为ln，卸载的数据量为l
n-ln。因此m用户的卸载速率为n用户的卸载速率为b为信道带宽，t为时隙长度；
[0059]
当用户m的信道状态优于用户n时，边缘服务器收到的混合功率信号时会优先解调强功率信号即用户m的信息，此时用户n的信号可以看作是噪声，而用户m解调完毕后进行对用户n的解调时，只存在信道噪声干扰，各信道的信噪比为用户n的解调时，只存在信道噪声干扰，各信道的信噪比为
[0060]
基于最坏情况假设的思想，我们假设窃听者在解码用户信息之前可以消除上行用户的干扰，此时分母减小，窃听者信道信噪比增加，更容易窃听，情况最坏，得到的结果保证在更加安全的情况下进行能耗优化，化简后的信噪比为注意，这里的假设高估了窃听者的能力。从合法接收方(ap)的角度来看，由于ap既不知道窃听者的能力，也不知道瞬间的csi，所以这种假设是为了确保保守任务的安全而进行的最坏情况假设。在此假设下，我们可以得到由于对窃听容量不利的情况下可达到的系统保密率的下界；
[0061]
在卸载过程中，当码速率r
t,k
与保密速率r
s,k
之差小于用户到窃听者的信道容量时，会被窃听从而发生保密中断，当把中断概率一直控制在可接受范围内，则可在改善传输速率，引入的保密中断概率表达式为：
[0062][0063]
称为保密中断概率，是关于窃听者信道状态的概率函数，以m用户为例，保密中断概率的结果为：
[0064][0065]
其中所以可以进一步化为令则同理
[0066]
综合考虑系统中两个用户的通信安全可以将问题表示为最小能耗问题：
[0067][0068]
式中和分别代表用户本地计算和卸载的能耗，lk,pk,f,β分别代表用户本
地计算数据量，用户发射功率，cpu频率和用户m在第一个时隙卸载数据比例。
[0069]
由于每个时隙的长度为t，在本地计算中，计算lk比特的数据所需的cpu周期为cklk，使得能耗最小的情况便是每个周期内cpu频率都是相同的即
[0070]
最后可以将化简后的优化函数表达式写出：
[0071][0072][0073][0074]
0≤β≤1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4c)
[0075][0076]
其中ξk为电容系数，ck为计算每比特任务所需的cpu周期数。
[0077]
此时的目标函数和约束中的变量均为耦合形式，是非凸函数，难以求解，因此可以先将β固定视为常数，通过调整lk和pk找到本次迭代的最小值后对β进行一维搜索，然后通过多次迭代进行求解。由于数据量lk是变量，因此可以将卸载速率rs也看作变量进行求解。
[0078]
固定β后，将β视为常数，得到的优化函数为：
[0079][0080][0081][0082][0083][0084]
[0085][0086]
通过证明可知对于给定的lm和ln可以得到最优的卸载速率和卸载功率p
*
(l)分别为：
[0087][0088][0089][0090][0091]
最后将lm和ln进行遍历二维搜索，可以得到在固定β时的最优能耗值；
[0092]
根据前文所述，遍历0≤β≤1求解最优能耗，此时只有β一个变量，目标函数可以写为
[0093][0094]
0≤β≤1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(10a)
[0095][0096]
由已知可以将约束条件合并为：
[0097][0098]
所以优化问题最终可以化成在给定l,p时，求关于β变量的最优能耗的新的优化函数，当l与p的值固定时，目标函数前半部分变成了常数，可将后半段改写成关于β三次方的函数即此时(1-β)3在[0，1]上为凸函数，所以可以通过凸优化直接进行求解；
[0099]
如图4所示，迭代算法的具体步骤如下：
[0100]
1、设置距离、噪声功率、保密中断概率、时隙宽度、初始输入数据量，cpu周期数、频率和电容系数等常数。固定比例系数β并对l和p进行初始化，利用化简后的约束对l进行二维遍历搜索得到固定比例系数β的第一次迭代结果。
[0101]
2、将第一次迭代后得到的l和p作为常数代入优化函数中，并将β作为变量进行优化，得到固定l和p的第一次迭代结果。
[0102]
3、通过固定β进行第一次迭代得到最优值记为e1，通过固定l,p进行第一次迭代得到最优值记为e2，取两次计算能耗结果较小的值记为e(1)。以此类推，通过固定l，p进行第二次迭代得到最优值记为e3，通过固定β进行第二次迭代得到最优值记为e4，取两次计算能耗结果较小的值记为e(2)。以此迭代计算求差，直到时，迭代停止。
[0103]
4、所求e(n)时的l，p，β即为问题的最优解，最终用户可以得到在保证通信安全和最小能耗时的同时最优的卸载策略。
[0104]
经历迭代之后，图5展示了用户输入的数据量与系统总能耗的关系，由图可知，在满足给定的保密中断概率的情况下，随着输入数据量的增加，系统处理数据的能耗也随之增加。并且本文提到的目标卸载方案与全卸载方案和正交多址(oma)方案相比均实现了更低的能耗水平，这是因为系统进行全卸载时，原来本地计算的数据也会进行卸载，此时系统会额外增加卸载功率从而保护用户的隐私；对于oma方案，用户不能在同一个时隙进行数据操作，丧失了混合协作干扰的能力，因此需要额外增加卸载时的发射功率从而保证用户隐私。

技术特征：
1.一种基于noma-mec的物理层安全及能效优化方法，其特征在于，包括以下骤：步骤1、利用用户之间混合协作的特性和本地计算的安全性提出了新的用户混合协作卸载模型；步骤2、根据用户之间的协作方式，为每个用户在不同时隙上计算的任务量做分配；步骤3、根据信道条件提出保密中断概率约束的概念并化简此约束；步骤4、提出优化目标函数并根据优化函数的特点将优化函数分成两个子函数；步骤5、应用已知条件或者假设化简子函数的约束条件；步骤6、采用循环迭代的算法以最小化系统能耗为目标，循环迭代优化问题，得到用户的卸载决策方案。2.根据权利要求1所述的基于noma-mec的物理层安全及能效优化方法，其特征在于，步骤1中利用用户之间混合协作的特性和本地计算的安全性提出了新的用户混合协作卸载模型，具体包括以下步骤：步骤1-1、在有窃听者存在的边缘计算卸载的场景中，用户在同时进行数据处理时通过互相发送卸载信号进行安全卸载，并在独自进行数据处理过程中转为本地计算以保证信息安全。3.根据权利要求1所述的基于noma-mec的物理层安全及能效优化方法，其特征在于，步骤2中为每个用户在不同时隙上计算的任务量做分配，具体包括以下几个步骤：步骤2-1、使用用户配对技术将两个用户分配在一起，在不失一般性的前提下设用户数量为2，即用户m与用户n；步骤2-2、设用户m处理的时间大于用户n，将总的处理时间分为两个时隙，在第一个时隙用户m与用户n在互相干扰的情况下进行卸载，并且本地cpu处理本地数据，同时设置用户m在第二个时隙的策略，将用户m的剩余数据转换为本地计算，数据量相反情况则相反；步骤2-3、得到用户和窃听者的信道状态分别由和表示，其中b代表基站，k代表用户m或n，e代表窃听者，α表示路径衰落系数，g～cn(0,1)代表了归一化瑞利衰落的信道状态；设|h
b,m
|2＞|h
b,n
|2且窃听者的信道状态未知，得到窃听者的信道状态均值其中h
b,k
表示用户的主信道状态，而h
e,k
则表示窃听者到用户的信道状态，d表示间隔距离；用户m要处理的数据为l
m
，本地计算的数据为l
m
，第一个时隙卸载的数据量为β(l
m-l
m
)，β为用户m在第一个时隙卸载数据比例，用户n要处理的数据为l
n
，本地计算的数据为l
n
，卸载的数据量为l
n-l
n
；因此m用户的卸载速率为n用户的卸载速率为其中b为信道带宽，t为时隙长度。4.根据权利要求1所述的基于noma-mec的物理层安全及能效优化方法，其特征在于，步骤3中根据信道条件提出保密中断概率约束的概念并化简此约束，具体包括以下几个步骤：步骤3-1、当用户m的信道状态优于用户n时，用户n的信号看作噪声，用户m解调完毕后进行对用户n的解调时，能够得到各信道的信噪比；
步骤3-2、窃听者在解码用户信息之前消除上行用户的干扰，窃听者信道信噪比增加，得到的结果保证在安全的情况下进行能耗优化；步骤3-3、在卸载过程中，把保密中断概率一直控制在可接受范围内，则可以改善传输速率，引入的保密中断概率表达式为：5.根据权利要求1所述的基于noma-mec的物理层安全及能效优化方法，其特征在于，在步骤4中提出优化目标函数并根据优化函数的特点将优化函数分成两个子函数，具体包括以下几个步骤：步骤4-1、综合考虑系统中两个用户的通信安全将问题表示为原始能耗优化问题：式中和分别代表用户本地计算和卸载的能耗，l
k
,p
k
,f,β分别代表用户本地计算数据量，用户发射功率，cpu频率和用户m在第一个时隙卸载数据比例。步骤4-2、根据函数的凹凸性将原目标函数分成两个容易求解的目标函数，分别利用其特性进行求解，两个子问题分别为：特性进行求解，两个子问题分别为：6.根据权利要求1所述的基于noma-mec的物理层安全及能效优化方法，其特征在于，在步骤5中应用已知条件或者假设化简子函数的约束条件，具体包括以下几个步骤：步骤5-1、利用已知引理推导出(3)约束函数的半封闭表达式；步骤5-2、根据凸函数的性质对(4)的约束函数进行化简。7.根据权利要求1所述的基于noma-mec的物理层安全及能效优化方法，其特征在于，步骤6循环迭代的算法具体包括，步骤6-1、将β固定视为常数，通过调整l
k
和p
k
找到本次迭代的最小值后对β进行一维搜索；步骤6-2、重复步骤6-1，将结果依次循环迭代直到相邻两次能耗结果差值在设定的精确度范围内即可跳出循环，得到最终结果。

技术总结
本发明公开了一种基于NOMA-MEC的物理层安全及能效优化方法，涉及计算机通信技术领域，本发明构建了一个新型的NOMA-MEC系统设计，在边缘计算卸载的场景中将每个用户数据处理分成两个时隙，在第一时隙保证公平的前提下通过用户协作发送卸载数据的互干扰来扰乱窃听者，在第二时隙用户将剩余数据量由卸载转为本地计算，以保密中断概率为指标保证通信安全。该设计在保证用户间公平性和卸载数据安全性的前提下选择合适的数据处理方式，从而优化系统的总能耗。首先推导出系统保密中断概率的闭合表达式，根据函数的性质将其分解为两个子问题，最后采用块坐标下降算法循环迭代并以最小化系统能耗为目标，得到用户的最佳卸载决策方案。使得用户在卸载过程中既保证了信息安全和通信的公平性，又以最小的能耗完成了数据的处理。处理。处理。


技术研发人员：余雪勇 傅新程
受保护的技术使用者：南京邮电大学
技术研发日：2022.04.08
技术公布日：2022/7/5