MEC和区块链赋能无人机辅助的物联网资源优化

张延华， 赵铖泽， 李 萌， 司鹏搏， 孙恩昌， 杨睿哲

(1.北京工业大学信息学部， 北京 100124； 2.北京工业大学先进信息网络北京实验室， 北京 100124)

物联网是当前互联网服务的扩展，实现了机器与机器之间的通信，为人与物之间的交流提供了便利，对人们的日常生活产生了深远的影响[1-2]. 物联网有感知层、网络层和应用层3层技术架构，可以提供信息服务[3]. 此外，物联网可以根据不同用户的不同需求提供不同领域的服务，例如智能交通、智能家居、环境监控和食品溯源等[4-5].

然而，一些物联网设备物理尺寸较小，通常仅装配轻量级的计算处理器，因此，多数物联网设备仅具有有限的计算能力且无法实现复杂的数据计算处理. 云计算的出现为物联网中大规模数据存储和计算需求提供了解决方案[6]，但随着智能设备和移动设备数量的快速增长，用户对服务质量提出了更高的要求，有必要使云服务更加接近用户[7]. 因此，移动边缘计算(mobile edge computing, MEC)技术被提出并广泛应用于物联网场景中，它将计算和存储资源部署在移动网络的边缘以便处理物联网设备的密集型计算任务，大大减少了网络时延和网络拥塞等问题，避免了不必要的能源消耗和网络开销[8-9]. 例如，Ren等[10]将边缘服务器应用于协同网络，有效降低了网络延迟并降低了核心网络的带宽使用.

此外，对于部署在较偏远或者传输链路容易被中断环境下的物联网设备，数据任务的卸载与计算也是不可忽视的问题. 无人机技术的出现有效地解决了这一问题. 无人机辅助的物联网通信是一种具有成本低、可控性强、可按需部署等特点的新兴技术，可用于军事、公共和民用领域[11]. 特别地，低空无人机可以作为中继提高通信系统的性能，扩大通信覆盖范围，并且无人机的可运动性为物联网设备带来了便捷的网络接入点[12]. 此外，无人机可以携带物联网设备和通信设备，用于执行监测和通信任务，在物联网领域得到了广泛的应用[13]. 例如，Wang等[14]利用无人机的灵活性，提出了在线无人机边缘服务器调度方案，满足了更多用户设备的需求，获得了较高的资源利用率和服务器利用率. Zhang等[15]提出在无人机辅助的MEC网络中，将无人机作为计算节点和中继节点，同时考虑无人机和宏基站的计算资源分配以实现降低用户的平均时延的目标. Zhou等[16]将复杂的计算任务卸载到附近部署的无人机上，通过约束时延、卸载数据量和总功率，提高了无人机自干扰效率等系统性能.

MEC技术和无人机技术的引入给物联网带来了巨大的优势，但由于边缘节点的交互和无人机网络的不可信广播特性，数据安全性和隐私性的保证面临巨大挑战. 针对无人机辅助的物联网系统，引入新兴的区块链技术可以解决网络中存在的数据安全和数据共享问题[17]. 区块链是一种具有安全性和可验证性的数据结构，能够在点对点设置中创建防篡改分布式账本[18]. 因此，它具有去中心化、不可伪造性、可编程性和安全性等特点以提供安全、防篡改的物联网网络[19]. 例如，Islam等[20]提出了基于区块链技术的数据采集方案，利用无人机作为中继将物联网设备的信息转发到服务器上，有效保证了信息的安全性并降低了系统的能耗. Asheralieva等[21]研究了基于区块链和MEC技术的无人机辅助的物联网系统，采用分层深度学习的算法实现了系统收益的最大化.

尽管MEC技术和区块链技术在无人机辅助的物联网中对系统性能的优化取得了较好的效果，但现有研究工作通常是分开考虑的. 另外，需要联合考虑MEC服务器计算资源的分配对MEC系统能耗和区块链系统计算时延的影响. 综上所述，本文面向无人机辅助的物联网场景中频谱资源和计算资源分配问题，结合MEC技术和区块链技术提出了一种资源优化框架. 通过考虑资源分配，将实现MEC系统能耗和区块链系统计算时延的最佳权衡作为优化目标，建立优化问题模型. 由于该优化问题是一个非凸混合整数问题，采用交替方向乘子(alternating direction method of multipliers, ADMM)法来有效地解决该问题. 仿真结果显示，所提方法具有快速的收敛性，可有效减少无人机辅助的物联网数据卸载、计算能耗以及数据共识过程的计算时延，实现MEC系统和区块链系统性能的最佳权衡.

1 系统模型

1.1 网络模型

本文所提无人机辅助的物联网系统模型如图1所示，包括MEC系统和区块链系统.在所提网络场景中，物联网设备将数据可卸载到无人机上，无人机作为中继节点将数据传输到基站进行计算.把O定义为所有物联网设备的几何中心，假设共有M个物联网设备、N架无人机和N个基站，每个物联网设备的位置表示为{xm,ym,0}，m∈{1,2,…,M}.无人机在目标区域上空飞行，位置表示为{xn,yn,h}，n∈{1,2,…,N}，第n架无人机悬停的时间为Tn.此外，每个基站配备一台MEC服务器，假设每个基站只服务于一架无人机.

图1 系统模型

在区块链系统中，基站作为区块链节点负责区块的生成和协商过程，用来处理来自无人机的计算卸载记录等事务.当网络中各节点之间达成共识时，新块成为有效块，然后生成的块将被广播到区块链系统.此外，每个节点可以参与记录这些交易从而实现数据共享.

1.2 通信模型

定义Dmn为第m个物联网设备传输给第n架无人机的数据量，Cmn表示完成计算任务所需的CPU周期总数，从而Wmn(Dmn，Cmn)表示第m个物联网设备传输给第n架无人机的计算任务.在本文中，假设无人机所服务的相关物联网设备之间不存在干扰.第m个物联网设备与第n架无人机之间的距离可以表示为

(1)

设h0为参考距离dmn=1 m处的信道增益，那么从第m个物联网设备到第n架无人机的信道功率增益可以表示为

(2)

(3)

因此，从第m个物联网设备到第n架无人机的数据传输的时延为

(4)

可以得到从物联网设备到无人机的数据卸载传输的总能耗为

(5)

1.3 计算模型

(6)

那么MEC服务器进行数据计算的总能耗为

(7)

式中：ln为有效开关电容；γn为一个正常数.实际测量中，ln=10-26，γn=3.

可以得到MEC系统总能耗为

EM=Etr+Ec

(8)

1.4 区块链模型

为保证卸载到MEC的数据安全，防止恶意的MEC服务器滥用数据导致信息泄露，区块链系统的共识节点采用实用拜占庭容错(practical Byzantine fault tolerance，PBFT)协商机制[22]对MEC系统发送的计算卸载记录进行验证和共识.PBFT是指分布式网络的一种容错能力，即网络在存在无法正常运行或散布错误信息的恶意节点的情况下仍能让诚实节点达成共识、正常运行，通过运用集体决策的力量降低恶意节点对整体网络的影响力，避免网络出现严重故障.采用密码学算法的PBFT协商机制可以保证节点之间消息传送的不可篡改性，具体步骤如下.

首先，区块链中的节点从MEC系统收集如计算卸载记录之类的事务.当主节点收到事务时，需要检查签名和消息认证码(message authentication code, MAC).假设生成或验证1个签名、生成或验证1个MAC分别需要ϑ和θ个CPU周期，得到主节点的计算成本为

(9)

式中：φ为一个区块中可以包含的最大事务数；g为正确事务的比例.

主节点向所有副本节点发送pre-prepare消息.副本节点在接收到一个新块后，首先验证该块的签名和MAC，然后验证事务的签名和MAC.在该过程中，副本节点的计算成本为

g2=(φ+1)(ϑ+θ)

(10)

每个副本节点向其他副本节点发送prepare消息.节点需要验证2f(f=(N-1)/3)个来自其他副本节点的签名和MAC.另外，副本节点需要生成1个签名和N-1个MAC，可得副本节点的计算成本为

g3=ϑ+(N-1)θ+2f(ϑ+θ)

(11)

每个副本节点向其他节点发送commit消息.节点在收到commit消息后需要验证2f个签名和MAC.因此，副本节点的计算成本为

g4=ϑ+(N-1)θ+2f(ϑ+θ)

(12)

收集到2f个匹配的commit消息之后，新块成为有效块，并将其广播到区块链系统.副本节点的计算成本为

g5=φ(ϑ+θ)

(13)

因此，区块链系统的总计算时延为

(14)

2 问题建模

通过联合考虑频谱资源分配和计算资源分配，提出了一个使MEC系统的能量消耗和区块链系统的计算时延最小化的优化问题.采用函数

Q={ω1u(Etr+Ec)+(1-ω1)ω2Td}=

(15)

作为系统的目标函数.式中：ω1为一个将目标函数组合成单个函数的权重因子；ω2为一个映射因子，用于确保目标函数处于同一水平；u(·)是一个采用指数函数的效用函数.提出的联合优化问题为

(16)

式中：C1表示分配给卸载到无人机的所有计算任务的频谱总和不能超过每架无人机的总可用频谱；C2表示所有相关物联网设备的计算任务所需的计算资源和区块链节点的计算资源之和不能超过MEC服务器的总计算能力； C3表示数据卸载的总时间消耗不应超过每架无人机的悬停时间.

3 资源配置与优化设计

本部分设计了联合频谱资源分配和计算资源分配的优化算法，用于求解前文提出的联合优化问题.

3.1 MEC系统中的资源分配

对于MEC系统，可以通过解决以下问题

s.t. C1,C2,C3

(17)

获得最小能耗.

1) 问题转化

定义e′mn=1/emn，k′mn=(kmn)γn-1，因此，将问题转化为

(18)

2) 问题分解

(19)

因此，可以得到每架无人机n∈N的局部变量可行集

(20)

针对每架无人机n∈N的局部效用函数为

(21)

可以得到式(18)的等价公式，即

(22)

3) 基于ADMM的分布式优化算法

针对频谱资源分配和计算资源分配的联合优化问题，提出了基于ADMM的分布式优化算法.式(22)的增广拉格朗日式子为

Lρ({n,n}n∈N, {e′,′}, {αn,βn}n∈N)=

(23)

局部变量迭代过程为

(24)

全局变量迭代过程为

(25)

拉格朗日乘子迭代过程为

(26)

式中 [t]为迭代次数.下面讨论解决上述迭代的方法.

首先，进行局部变量的更新，在式(24)的迭代过程中，问题被分解为N个子问题.在[t+1]次迭代时，对于每架无人机n∈N等价于求解下列优化问题

(27)

之后，进行全局变量和拉格朗日乘子的更新，通过将梯度设置为0，可以得到

(28)

由此可以得到如下结果

(29)

在迭代过程中，通过在[t]次迭代时将拉格朗日乘子初始化为零，即

式(28)可以简化为

(30)

4) 算法停止准则

在实现过程中，采用了一个合理的停止准则.在[t+1]次迭代时原可行条件和对偶可行条件的残差应该足够小，即

(31)

和

(32)

式中υpri>0，υdual>0分别为原可行条件和对偶可行条件的可行性容忍度，在本文中设置υpri=υdual=0.000 1.

基于以上讨论，可以得到频谱资源分配和计算资源分配的最优决策，实现MEC系统能耗最小化.基于ADMM的分布式优化算法的工作流程见算法1.

--------------------------------------------

算法1基于ADMM的无人机辅助的物联网系统资源优化调度算法

--------------------------------------------

1) 初始化

① MEC系统决定停止准则阈值υpri和υdual

② 设置初始可行全局解，并将此消息传送给每架无人机

③ 每架无人机收集与之相关联的物联网设备的信息

④ 每架无人机决定拉格朗日乘子向量{αn[0],βn[0]}，并将此消息传送给MEC系统

t=0;

2) 迭代

② MEC系统更新全局变量{e′,k′}[t+1]，并将信息传送给无人机

t=t+1;直到满足停止准则(31)(32)

3) 输出优化结果{e′,k′}*

--------------------------------------------

3.2 区块链系统中的资源分配

在得到MEC系统中频谱资源分配和计算资源分配的最优决策后，式(16)可简化为区块链节点CPU周期频率的优化，即

(33)

(34)

给出.

因此，可以得到区块链系统中区块链节点的最优CPU周期频率，同时实现了区块链系统最小的计算时延.

4 仿真实验及结果分析

本文从不同角度对所提系统模型和优化算法进行仿真，进而评估所提方案的有效性和系统性能.在仿真网络场景中，考虑存在4架无人机、4个基站和16个物联网设备.基站和物联网设备在 50 m×50 m 的二维区域内随机均匀分布，无人机所在位置固定高度为6 m.设定场景中物联网设备与无人机之间通信总带宽为10 MHz，物联网设备发射功率和噪声功率分别为30 dBm和-60 dBm.物联网设备需要计算的任务数据量和完成计算任务所需的CPU周期总数分别设为2×104和1×109，MEC服务器的计算能力设置为100 GHz.另外，生成或验证1个签名、生成或验证1个MAC分别需要1×106和1×107个CPU周期，1个块所包含的事务数不超过1 500.

另外，参考文献[23]，本文所提方案与其余3种基线方案进行了比较.主要考虑以下4种方案：

1) 频谱资源分配和计算资源分配的联合设计方案.

2) 频谱资源均匀分配的方案.

3) 计算资源均匀分配的方案.

4) 频谱资源和计算资源均匀分配的方案.

图2展示了本文方法不同ρ值下的收敛性能.这4个迭代过程分别对应ρ=0.800 0、ρ=0.080 0、ρ=0.008 0、ρ=0.000 8.由图可知，在前20次迭代进程中总效用值迅速下降，在第30次迭代后趋于稳定，可以看出该算法能够快速收敛.此外，由仿真结果可知，ρ值越大，收敛速度越快，并且4个迭代进程最后收敛于相近的效用值.

图2 不同ρ值下的收敛进程

图3展示了不同方案下迭代次数与原始可行性容忍度和对偶可行性容忍度的关系曲线.由图可知，随着阈值参数的增加，3种方案的迭代次数都有所减少.因此，阈值参数的设置不能过大，以免在该范围内3种方案无法在有限的迭代次数中达到收敛的效果.此外，可以观察到本文方法较其他2种方案下降速度小，趋势较为稳定.

图4展示了不同方案下目标函数值与数据大小的关系曲线.随着任务数据量的提升，3种方案的目标函数值逐渐增加.这是因为数据卸载的时间消耗随着数据大小的增大而增加，而数据卸载的能量消耗也相应增加，从而影响了目标函数值.如图可知，本文方法的目标函数值始终低于其他方案，源于均匀的资源分配无法实现MEC系统能耗和区块链系统计算时延的最佳权衡.频谱资源均匀分配方法增长速度远远大于其余2种方法，这是因为数据量的大小对频谱资源分配的影响较大.

图4 目标函数值与数据大小的关系

图5展示了不同方案下目标函数值与无人机数量的关系曲线.随着无人机数量的增加，4种方案的目标函数值均逐渐增加.其原因为系统的计算任务加重，从而MEC系统消耗的能量增加.在所有曲线中，本文方法的系统目标函数值同样始终低于其他方案.由图可知，在这个范围内，频谱资源均匀分配方法的性能优于其他2种资源均匀分配的方法，这是因为计算资源分配通常对能耗和时延的影响较大.

图5 目标函数值与无人机数量的关系

图6 MEC系统能耗与MEC服务器计算能力关系

图7 区块链系统计算时延与MEC服务器计算能力关系

图6、7分别展示了不同方案下MEC系统能耗和区块链系统计算时延与MEC服务器计算能力的关系曲线.随着MEC服务器计算能力的增加，MEC系统能耗逐渐增大，区块链系统计算时延逐渐减小，反映了在较高的计算能力下，区块链系统性能优于MEC系统性能.本文所提方案优化指标始终低于其他方法，并且计算资源均匀分配方法产生的系统能耗最大，展示了所提算法良好的优化性能.

5 结论与展望

1) 面向无人机辅助的物联网场景中频谱资源分配和计算资源分配问题，提出了一种基于ADMM的资源分配决策方法，将MEC系统的数据卸载、数据计算和区块链系统的数据共识建立为一个联合优化问题.

2) 通过联合考虑频谱资源分配和计算资源分配以实现MEC系统能量消耗和区块链系统计算时延的最佳权衡.

3) 相比于已有的资源分配方法，所提方案可有效减少MEC系统的总能耗和区块链系统的计算时延，并可根据实际需求调整权值参数，获得更好的系统性能.

4) 未来的工作将基于本文提出更复杂的网络模型框架，结合数据缓存和无人机运行轨迹等相关问题进一步优化.同时，也将在所提方法中考虑卸载决策等.