【嘉勤点评】中兴发明的基于5G边缘计算环境下的智能卸载和安全保障方案，考虑了基站之间的负载均衡，对用户任务进行优先级排序，为任务指配合适的基站卸载，从而更加有效地利用MEC服务器的计算资源和基站的信道资源。
集微网消息，由于通信技术的快速发展，通信的方式也日趋多样化，一系列新的通信服务例如显增强现实服务(AR)、虚拟现实服务(VR)、自动驾驶技术等。与传统的通信技术不同，这些实时服务需要对大量的应用数据进行快速的处理。
但由于终端设备的资源受限，只能通过移动边缘计算(MEC)将部分计算任务写在到边缘服务器，从而对应用数据进行快速的处理。但是目前的移动边缘计算仍然存在许多问题，比如在任务卸载期间，用户可以选择经由无线信道将计算任务的数据卸载到MEC服务器，此时可能导致敏感的私人数据受到侵犯。
再比如，随着某些区域内用户数目的指数型扩增，可能会导致不同基站的负载各不相同，某些基站可能严重负载，而某些基站可能仍有大量计算资源剩余，急需对不同覆盖范围的基站进行负载均衡。此外，在任务卸载期间，用户的移动性也可能会使得用户无法获得计算结果，导致计算资源和能量的浪费。
针对以上的三个问题，中兴在2021年8月12日申请了一项名为“一种5G边缘计算环境下计算任务智能卸载和安全保障方法”的发明专利（申请号：202110922867.2），申请人为中兴通讯股份有限公司。
根据该专利目前公开的相关资料，让我们一起来看看这项技术方案吧。
如上图，为该专利中发明的5G边缘计算环境下计算任务智能卸载与安全保障优化方法的流程图，该方法应用于多用户多MEC服务器的网络场景，考虑了用户在卸载过程中的移动性估计用户的停留时间。同时，该方案还考虑了消耗的时延和能量以及用户向MEC服务器支付的费用，通过采用Q‑Learning以最大化系统效益为目标，得到用户的卸载方案，具体方案如下：
首先，系统会考虑用户移动性，估计用户停留在基站的停留时间，为每个用户指配合适的本地基站；其次，采用Q‑Learning以最大化系统效益为目标，得到最卸载方案，并对用户任务进行优先级排序，通过负载均衡的方式为排序好的用户任务分配信道资源和计算资源，从节约MEC和基站能耗的角度为任务指配合适的基站卸载；最后，采用基于多维生物特征的AES加密对MEC与用户之间传输的数据进行加密，避免传输时用户数据遭到泄露。
如上图，为这种方法的模型结构示意图，其中主要包括有：基站控制器和多个MEC，该方案中，主要考虑了两种实际的情况：
1） 当用户的任务完成时间小于停留时间，则说明用户能够在停留时间内完成任务；
2） 当用户的任务完成时间大于等于停留时间，则说明用户在任务完成之前移动到其他基站，则需要将计算结果（MEC服务器处理任务后得到的结果）重新传到目标基站，产生额外时延和能量消耗，计算结果是指将用户任务传输给MEC处理，任务处理后返回的结果就是计算结果。
最后，上图中提供了Q‑Learning方法的流程图，首先，初始化Q表Q（S，A），S为状态，A为决策集合，Q（S，A）是Q表的计算方式。对于每个时隙t，随机分配当前时刻的状态St，对当前的状态选择决策集合At，并计算Q（St，At）。
其次，更新Q表，即使用Q（St，At）+α[Rt+1+γmaxa Q（St+1，At）- Q（St，At）]来替代原始的Q（St，At），并更新当前的状态St为St+1。最后，重复上述步骤，直至St状态成为Steminal。
以上就是中兴发明的基于5G边缘计算环境下的智能卸载和安全保障方案，该方案考虑了基站之间的负载均衡，对用户任务进行优先级排序，为任务指配合适的基站卸载，从而更加有效地利用MEC服务器的计算资源和基站的信道资源。同时，还添加了基于多维生物特征的AES加密技术，来保障MEC与用户之间传送数据的安全性。
