曾續(xù)玲，李陶深，2*，鞏 健，杜利俊

（1.廣西大學計算機與電子信息學院，南寧 530004；2.南寧學院信息工程學院，南寧 530200）

0 引言

隨著無線通信技術和物聯網的飛速發(fā)展，極大推動了計算密集型智能設備和移動應用的發(fā)展，如人工智能、虛擬現實（Virtual Reality，VR）、自動駕駛、工業(yè)互聯網等。雖然現階段移動設備配備了強大的硬件，但在需要確保低能耗和低時延的情況下，仍然難以滿足移動應用程序的計算能力要求。移動邊緣計算（Mobile Edge Computing，MEC）作為克服這一缺點的有效方法，近些年在學術界和工業(yè)界引起了廣泛的研究和討論。所謂的移動邊緣計算是指將云計算能力擴展到網絡邊緣，以提供更高的計算和存儲能力。通過利用無線接入網絡，MEC 具有實現更低延遲、提供靈活計算體驗和降低能耗成本等優(yōu)勢。盡管有這些好處，但無線計算卸載也給物聯網帶來新的數據安全問題。由于無線通信的廣播特性，無線設備計算任務的卸載很可能會被附近的惡意竊聽者竊聽，從而導致惡意攻擊者解碼相應信息并發(fā)起安全攻擊。因此在MEC 計算卸載過程中，確保任務機密性和實現安全計算卸載是迫切需要解決的重要問題之一。

為了研究和分析MEC 系統(tǒng)中的攻擊特征，文獻［7］設計了一種基于深度學習的攻擊特征學習模型。然而，基于深度學習的方法需要大量的數據，并且只能離線實現。物理層安全技術已被證明能夠有效確保傳統(tǒng)無線通信網絡的安全傳輸。在物理層安全中，設計的關鍵目標是最大化安全通信速率，當傳輸速率小于安全速率時，竊聽者將無法竊聽任何信息。文獻［10］首次提出在不完美信道狀態(tài)信息（Channel State Information，CSI）場景中使用物理層技術實現MEC 安全計算卸載，在保密卸載速率和計算延遲的約束下，最小化用戶加權和能量消耗。文獻［11］考慮了由兩個用戶和一個竊聽者組成的基于非正交多址（Non-Orthogonal Multiple Access，NOMA）的MEC 系統(tǒng)。該作者采用保密中斷概率衡量計算卸載的保密性能，以半封閉形式實現用戶加權和能耗最小化，論證了基于NOMA 的MEC 安全計算卸載系統(tǒng)優(yōu)于正交多址（Orthogonal Multiple Access，OMA）。文獻［12］針對單個用戶節(jié)點提出一種新的物理層輔助的隱私保護卸載方案，其中邊緣服務器主動發(fā)送干擾信號以阻止竊聽，并采用全雙工通信技術抑制自干擾。實驗結果表明該方案在保證卸載隱私的情況下，可以有效減少移動設備的任務執(zhí)行延遲和能量消耗。但是文獻［11-12］分別只考慮了兩個用戶和單個用戶的特殊計算卸載場景模型，沒有考慮具有多個用戶節(jié)點的一般性場景。此外，文獻［10-12］僅考慮了上行MEC 安全計算問題，沒有考慮上下行傳輸，即未同時考慮計算能力不足和能量受限兩大限制。

除了安全計算卸載外，如何為海量移動設備提供可持續(xù)且經濟高效的能源供應是物聯網面臨的另一個挑戰(zhàn)?；谏漕l（Radio Frequency，RF）信號的無線功率傳輸（Wireless Powered Transfer，WPT）已成為MEC 網絡中無線設備電池容量有限的解決辦法。WPT 通過使用專用的RF 能量發(fā)射器，可以遠程地為大量低功耗無線設備供電。WPT 的優(yōu)點在于能夠延長無線網絡壽命，實現網絡可持續(xù)性運營并提高邊緣無線設備的通信容量。

文獻［15］針對單個用戶節(jié)點首次提出WPT 和MEC 技術的集成，用戶利用從接入點（Access Point，AP）收集的能量執(zhí)行本地計算或任務卸載。該作者采用了二元制計算卸載方案，即用戶節(jié)點的每個任務要么在本地執(zhí)行，要么完全卸載至MEC 服務器，然后在滿足延遲的約束下最大化成功計算概率。文獻［16-17］將文獻［15］考慮的單用戶節(jié)點擴展至多用戶節(jié)點的無線供能移動邊緣計算系統(tǒng)，并建立了一個計算速率最大化的非凸優(yōu)化問題。文獻［16］利用凸優(yōu)化知識的塊坐標下降法和交替方向乘子法分別求解原始非凸問題，而文獻［17］則利用深度學習技術提出了一種基于深度強化學習的在線計算卸載框架，該框架大幅降低了計算復雜度。與二元制計算卸載方式相比，部分卸載更靈活，它允許一部分任務在本地執(zhí)行，另一部分卸載至MEC 服務器。文獻［18］研究了單個用戶節(jié)點的無線供電移動邊緣計算系統(tǒng)，用戶依靠收集的能量在本地執(zhí)行一部分任務，并將另一部分任務卸載到與MEC 服務器集成的AP 遠程執(zhí)行。與文獻［18］不同的是，文獻［19-21］研究了具有多個用戶節(jié)點無線供能移動邊緣計算系統(tǒng)。文獻［19］針對AP 能量消耗最小化問題，提出了拉格朗日對偶法，實驗結果表明聯合的無線供能MEC設計優(yōu)于單獨分開的WPT 和MEC。文獻［20］設計了基于李雅普諾夫（Lyapunov）優(yōu)化理論的在線計算卸載和資源分配算法，以實現能量效率和時延之間的基本權衡。文獻［21］設計了一種無人機（Unmanned-Aerial-Vehicle，UAV）輔助的無線供能協作MEC 系統(tǒng)，目的是最小化系統(tǒng)能耗。

盡管上述關于無線能量傳輸和移動邊緣計算結合的文獻在速率、時延和能耗等方面進行了研究與分析，并論證了WPT 和MEC 結合的優(yōu)勢，但是上述文獻均未考慮存在惡意竊聽節(jié)點的MEC 系統(tǒng)，即未考慮MEC 信息傳輸的安全性。

根據以上研究的不足，本文構建了一個多用戶存在惡意竊聽節(jié)點的無線供能MEC 系統(tǒng)。在該系統(tǒng)中，AP 采用能量波束成形同時為用戶供電，用戶利用收集的能量執(zhí)行計算任務。假設采用部分卸載方式，即任務可以分為任意兩個獨立的部分，一部分在本地執(zhí)行，另一部分卸載至AP。為了防止惡意竊聽者竊取信息，用戶設備在計算卸載的過程中采用物理層安全技術，提出了安全卸載約束，即每個用戶設備的卸載速率不超過其對AP 可實現的保密速率。本文以AP 能耗最小化為優(yōu)化目標，在滿足能量、計算延遲和安全卸載速率的約束條件下，構建問題模型；針對安全卸載約束的非凸性，首先采用凸差分算法（Difference of Convex Algorithm，DCA）將原始問題轉換為凸問題，然后采用拉格朗日對偶法，以半封閉形式獲得問題最優(yōu)解。數值結果表明，與基準方案本地計算和安全全部卸載的無線供能MEC 方案相比，本文所提的安全部分卸載方案能夠有效降低系統(tǒng)AP 的能量消耗。

1 系統(tǒng)模型與問題描述

本文考慮了一個多用戶設備的無線供能安全移動邊緣計算系統(tǒng)，如圖1 所示。該系統(tǒng)由一個與MEC 服務器相連的AP 和

m

?{1，2，…，

M

}個用戶設備以及一個惡意竊聽節(jié)點組成。其中AP 配備

N

根天線，所有用戶設備配備單根天線，惡意竊聽節(jié)點配備

K

根天線。AP 通過RF 信號的能量波束成形為

M

個用戶傳輸能量，每個用戶利用收集的能量執(zhí)行本地計算和安全計算卸載。假設AP 到用戶的下行鏈路WPT 和上行鏈路計算卸載在正交頻帶上同時運行，上行鏈路計算卸載和下行鏈路結果下載運行在同一頻帶上。其次，為了更好地分析并收集AP 傳輸能量，假設AP 完美地知道上下行鏈路信道的CSI 以及用戶計算請求。

圖1 多用戶設備的無線供電MEC安全卸載模型Fig.1 Wireless powered MEC secure offloading model for multi-user equipments

本文采用部分卸載方式，每個用戶設備配備可充電電池，用戶設備能量收集（Energy Harvesting，EH）和部分卸載方式如圖2 所示。用戶設備首先捕獲來自AP 的RF 信號，然后通過整流器將接收的信號轉換為直流電（Direct Current，DC），最后將能量存儲在可充電電池中，存儲的能量將用于本地計算和安全計算卸載。假設用戶

i

∈

m

的計算任務大小為

L

＞0 計算輸入位，將其分成任意兩部分，

O

bit 用于安全卸載至MEC 服務器，

L

-

O

≥0 bit 用于本地計算。

圖2 用戶設備的能量收集和部分卸載Fig.2 Energy harvesting and partial offloading of user equipment

假設系統(tǒng)時間塊長度為

T

，每個

T

的持續(xù)時間不超過MEC 應用的等待時間以及信道相干時間，這樣保證無線信道在整個時間塊內保持不變。為了避免用戶之間的相互干擾，本文采用時分多址（Time Division Multiple Access，TDMA）協議卸載方式，如圖3 所示。將時間塊

T

分成2

M

個時隙，每個時隙的長度為

t

，?

i

∈{1，2，…，2

M

}。在前

M

個時隙中，

M

個用戶依次將計算位數卸載至AP；在后

M

個時隙中，AP 返回計算結果給

M

個用戶。根據文獻［19-21］，本文忽略MEC 服務器計算時間。本文假設當

M

個時隙卸載完成后，所有用戶設備能夠立即下載計算結果。此外，AP 通常具有高的傳輸功率，而計算結果通常較小，因此忽略計算結果的下載時間，即

t

≈0，?

i

∈{

M

+1，

M +

2，…，2

M

}。其次本文忽略計算結果傳輸和接收的能量消耗。

圖3 用戶計算卸載的TDMA協議Fig.3 User computing offloading TDMA protocol

本節(jié)考慮AP 以能量波束成形方法為用戶節(jié)點無線供能。設

x

∈C表示AP傳輸的能量承載信號，

S

=

E

[

xx

]∈C表示能量傳輸協方差矩陣，

E

[‖

x

‖]=tr(

S

)表示AP 的傳輸功率。其次，AP 能夠以多個波束傳遞無線能量，即

S

可以為任意秩。設

d

為能量傳輸協方差矩陣的秩，若

d

=rank(

S

) ≤

N

，則可通過

S

的特征值分解得到

d

個能量波束。設

h

∈C表示AP到用戶的信道向量，定義

H

=

hh

；?

i

∈

m

，每個用戶接收的RF 功率為|

h

x

|。本文考慮采用線性EH 模型，因此，用戶

i

∈

m

在該時間塊收集的能量為：

其中：0 ＜

η

≤1 表示用戶的恒定EH 效率。用戶

i

收集的能量

E

將用于本地計算和安全計算卸載。

1.1 本地計算

每個用戶

i

∈

m

的(

L

-

O

)bit 用于本地計算，設

C

表示用戶

i

計算一位所需要的CPU 周期數，則CPU 周期總數為

C

(

L

-

O

)。本文采用動態(tài)電壓和頻率調整（Dynamic Voltage and Frequency Scaling，DVFS）技術，用戶設備可以動態(tài)調整每周期

n

的CPU 頻率

f

，從而控制本地計算任務的能量消耗。但是，移動設備的計算能力通常是有限的，因此，CPU 頻率需滿足：

本地計算的能量消耗表示為：

其中：

ξ

是決定用戶

i

芯片架構的有效電容系數。

1.2 計算卸載

用戶設備

i

∈

m

剩余

O

bit 將卸載至AP。為了避免信息泄漏至竊聽者，本文在卸載過程中采用物理層安全技術。假設AP 應用最大比合并（Maximum Ratio Combining，MRC）接收機解碼信息，則可實現的安全保密速率公式為：

為了確保用戶卸載信息不被惡意竊聽者竊聽，每個用戶設備到AP 的卸載速率不能超過可實現的保密速率，即用戶設備

i

到AP 的卸載任務需滿足下列不等式：

在計算卸載過程中，用戶設備

i

∈

m

除了傳輸功率

p

，還將消耗恒定電路功率

p

，因此用戶設備

i

消耗的總功率為

p

+

p

，則安全計算卸載能量消耗為：

MEC 服務器計算任務的能量消耗通常與用戶總的卸載比特數成正比，本文采用簡化的線性模型表示MEC 服務器能量消耗：

其中：

α

表示AP 每比特卸載計算任務的能量消耗。

1.3 能量收集約束

不同于文獻［25］的能量因果約束，本文設定：在每個時間塊開始時，每個用戶

i

具有充足的能量存儲，當時間塊快結束時將通過收集能量重新補充能量存儲水平，這樣存儲的能量在每個塊的任何時內都不會用完。因為每個用戶由AP 的WPT 供電維持自我可持續(xù)操作，所以每個用戶消耗的總能量不能超過用戶收集的能量。用戶消耗的能量主要包括本地計算能量和安全計算卸載能量，因此每個用戶

i

必須滿足以下能量約束：

2 問題求解

本章在保證計算延遲約束、物理層安全卸載和能量捕獲等約束條件下，以AP 能耗最小化為目標，實現一個高效節(jié)能的無線供能MEC 安全卸載。具體實現的思路是：通過聯合優(yōu)化AP 能量傳輸協方差矩陣

S

、本地CPU 頻率

f

、用戶卸載比特數

O

、用戶卸載時間分配

t

以及用戶傳輸功率

p

，實現系統(tǒng)AP 能耗最小化。其中AP 能量消耗主要包括MEC 服務器計算和WPT 能量消耗

T

tr(

S

)。

其中：式（11）表示所有用戶設備的延遲不超過

T

；式（12）表示能量收集約束；式（13）、式（16）分別表示本地CPU 頻率和卸載比特數的上下界；式（15）、式（17）分別為用戶設備卸載時隙和卸載功率的下界，式（14）表示卸載時延約束，式（18）表示安全卸載約束。由文獻［18］可知，對于給定的卸載比特數

O

，問題

p

1 本地CPU 頻率

f

的最佳解為：

這表明對于任意用戶

i

∈

m

，不同CPU 周期本地CPU 頻率是相同的，則本地能量消耗為：

因此，問題p1 可轉換為：

則式（23）表示為：

將式（27）代入式（26），式（26）可大約表示為：

因此，在第（

n

+1）次迭代后原始非凸優(yōu)化問題p1.1 可轉換為新的優(yōu)化問題：

s.t.式（14）～（17），式（28）

使用DCA，求解優(yōu)化式（10），如算法1 所示。

算法1 DCA 求解優(yōu)化式（10）。

輸出

S

、

O

、

t

、

P

。

WHILE

更新迭代次數：

n

=

n

+1

UNTIL 解收斂為止

易得問題p1.2 為凸優(yōu)化問題，可以通過標準的凸優(yōu)化技術獲得最佳解。本文利用拉格朗日對偶法以半封閉形式得到最優(yōu)解。

設

λ

≥0、

μ

≥0、

θ

≥0 分別表示能量收集約束、時間分配約束和安全計算卸載的拉格朗日乘子。問題p1.2 的拉格朗日函數表示為：

約束

G

(

λ

) ?0（?表示正半定）是確保對偶函數有界的必要條件。

證明

假定

G

（

λ

）為非正半定，設

y

表示為

G

（

λ

）的特征向量。令

S

=

yy

τ

?0，

τ

為無窮大，可得結論為：

這表明當

S

?0，式（31）的目標值無下界。因此，為了確保對偶函數值

Ф

（

λ

，

θ

，

μ

）有下界，則

G

(

λ

) ?0。 證畢。

式（33）的拉格朗日對偶函數能夠分解成（2

M

+1）個子問題，第一個子問題為優(yōu)化能量傳輸協方差矩陣

S

：

易得當

G

(

λ

) ?0，且

S

?0，式（37）的最小值為0，最佳解

S

一定滿足

G

（

λ

）矩陣零空間，此處設置

S

=0，以便下文求解最佳對偶函數并計算最佳對偶解。針對剩余2

M

個子問題，首先

M

個子問題為優(yōu)化計算卸載位變量

O

：

然后，剩余

M

個子問題為聯合優(yōu)化用戶卸載功率

p

和卸載時隙

t

。即

任意(

λ

，

θ

，

μ

) ∈

X

，計算卸載的最佳任務分配為：

同時，用戶的最佳卸載功率和最佳卸載時隙分別為：

證明

易得式（38）～（39）為凸函數并且滿足Slater 條件，對于任意給定(

λ

，

θ

，

μ

) ∈

X

，式（38）關于

O

的一階偏導表示為：

從而解得計算任務卸載分配式（40）的最優(yōu)解。

式（39）關于

p

和

t

的一階偏導分別表示為：

從而解得用戶卸載的最佳功率式（41）。

最佳安全卸載速率為：

在算法1 的第

n +

1 次迭代后求解能耗最小化問題詳細步驟如算法2 所示。算法2 第

n+

1 次迭代后求解優(yōu)化問題。輸入 設置橢球

ε

（（

λ

，

θ

，

μ

），

A

包含（

λ

，

θ

，

μ

），其中（

λ

，

θ

，

μ

）為

ε

的中心和

A

?0 表示

E

的集合。輸出 (

O

，

t

，

p

)，{

f

}，

S

。

設置（

λ

，

θ

，

μ

）=（

λ

，

θ

，

μ

）根據式（49）計算能量傳輸協方差矩陣

S

。

3 實驗與結果分析

圖4 給出了凸差分算法（DCA）在不同初始點的收斂性能。其中用戶設備數

M

=2，計算任務大小為

L

=10bit，卸載和竊聽距離都為10 m，時間塊

T

=0.02 s。從圖4 結果可知，只要不同初始點滿足約束，將不會影響DCA 的收斂性能。圖4 驗證了本文基于DCA 求解的有效性。

圖4 不同初始點DCA的收斂性Fig.4 Convergence of DCA with different initial points

圖5 展示了接入點（AP）平均能量消耗與時間塊的關系，其中用戶設備數量

M

=4，計算任務大小為10bit，卸載和竊聽距離都為10 m。分析實驗結果可知，在時間塊

T

小于15 ms 時，所有方案的AP 平均能量消耗隨著時間塊長度的增加而逐漸減少。當

T

大于15 ms 時，除安全全部卸載方案能量消耗保持不變外，其他方案平均能耗逐漸減少，因為延遲約束的增加僅降低了本地設備CPU 頻率。隨著時間塊的增加，本地計算能耗優(yōu)于安全全部卸載能耗，并與其他兩種方案的性能基本接近。這是因為當時間塊足夠時，幾乎所有任務都可在本地執(zhí)行，大幅減少了數據卸載的無線傳輸功耗。隨著時間塊

T

的增加，本文的安全部分卸載方案實現與傳統(tǒng)無竊聽者方案相近的性能。

圖5 AP平均能量消耗和時間塊長度的關系Fig.5 Relationship between AP average energy consumption and time block length

圖6 給出了AP 平均能量消耗與用戶計算位數的情況，其中用戶設備數為

M

=5，卸載和竊聽距離為10 m，時間塊

T

=0.02 s。由圖6 可知，所有方案的平均能量消耗隨用戶計算任務位數的增加而增加。當計算位數較小時，本地計算方案少于安全全部卸載方案所消耗的能量；當用戶計算位數足夠大時，安全全部卸載方案優(yōu)于本地計算方案。這表明當計算位數較小時，用戶設備本地計算方案在滿足延遲約束的同時能夠完成大多數計算任務，但當計算任務較大時，將更多計算任務卸載至AP 能夠降低系統(tǒng)能耗。與本地計算方案和安全全部卸載方案相比，本文的安全部分卸載方案能夠實現更好的性能，因為它綜合了本地計算方案和安全全部計算卸載方案的優(yōu)勢。與傳統(tǒng)無竊聽者的部分卸載方案相比，為了防止惡意竊聽者的竊聽，本文的安全部分卸載方案需要消耗更多的能量。

圖6 AP平均能量消耗與用戶計算任務位數之間的關系Fig.6 Relationship between AP average energy consumption and bits of user computing tasks

圖7 給出的是AP 平均能量消耗與用戶設備數量

M

的關系，其中計算任務大小為10bit，卸載和竊聽距離為10 m，時間塊為

T

=0.02 s。實驗結果表明，隨著用戶數

M

的增加，所有方案平均能量消耗隨之增加，且安全全部卸載方案的能量消耗高于本地計算方案，當計算任務數為5×10bit 時，與本地計算和安全全部計算卸載方法相比，安全部分卸載方案的能量消耗分別降低了61.3%和84.4%；傳統(tǒng)無竊聽者的部分卸載方案的能量消耗最低，本文的安全部分卸載方案次之。從實驗結果可知，安全部分卸載方案實現了與傳統(tǒng)無竊聽者方案接近的性能，但為了實現安全計算卸載，該方案所消耗的能量略高于傳統(tǒng)無竊聽者的部分卸載設計方案。

圖7 AP平均能量消耗與用戶數的關系Fig.7 Relationship between AP average energy consumption and the number of users

圖8 給出了AP 平均能量消耗與竊聽距離變化的關系，其中用戶設備數量為

M=

5，計算任務大小為10bit，卸載距離為10 m，時間塊為

T

=0.02 s。仿真結果表明，無竊聽者的部分卸載方案與本地計算方案的平均能量消耗保持不變。這與實際理論一致，因為無竊聽的部分卸載方案沒有惡意竊聽者竊聽，所以與竊聽者的距離變化無關；其次本地計算方案可以在本地執(zhí)行所有任務，無需計算卸載消耗能量，因此本地計算方案不隨竊聽者的距離變化而變化。隨著距離的增加，竊聽信道質量變差，安全部分卸載方案和安全全部卸載方案的平均能耗隨著竊聽距離的增加而減少，甚至安全部分卸載方案逐漸接近無竊聽者的部分卸載方案的能量消耗。當用戶與竊聽者超過25 m 時，由于竊聽信道質量變弱，竊聽者將無法竊聽數據，安全部分卸載方案和安全全部卸載方案的平均能量消耗基本保持不變。

圖8 AP平均能量消耗與竊聽者距離的關系Fig.8 Relationship between AP average energy consumption and eavesdropper′s distance

圖9 展示了AP 平均能量消耗與頻譜帶寬的關系，其中用戶設備個數為

M=

5，時間塊

T

=0.02 s，計算任務大小為10bit，用戶卸載和竊聽距離為10 m。從圖9 可知，當用戶卸載頻譜帶寬變化時，除了用戶本地計算方案能量消耗保持不變外，其他三種方案隨著卸載頻譜帶寬的增加而減少。這表明較高的頻譜帶寬值不僅可提高用戶卸載速率，而且能夠節(jié)省能量消耗。與其他三種方案相比，安全全部卸載方案消耗的能量最多，但隨著頻譜帶寬的增加，安全全部卸載方案能耗接近本地計算方案的能耗。這說明在較高帶寬時，有利于計算卸載。與預期結果一致，安全部分卸載方案消耗的能耗比傳統(tǒng)無竊聽者的部分卸載方案要多，這說明為了實現用戶的安全卸載，需要消耗一定的能量作為代價。從實驗結果上看，本文安全部分卸載方案的能耗少于本地計算方案和安全全部卸載方案。

圖9 AP平均能量消耗與用戶卸載頻譜帶寬的關系Fig.9 Relationship between AP average energy consumption and user offloading spectrum bandwidth

4 結語

本文構建了一個多用戶設備存在惡意竊聽節(jié)點的無線供電MEC 卸載模型。在用戶設備能量受限的情況下，研究了MEC 計算系統(tǒng)中物理層安全資源分配問題。在保證能量捕獲、安全卸載和計算延遲等約束條件下，通過聯合優(yōu)化AP能量傳輸協方差矩陣、本地CPU 頻率、用戶卸載比特數、用戶卸載時間分配以及用戶傳輸功率，從而最小化AP 的能量消耗。首先利用DCA 將原始非凸問題轉換為凸問題，然后采用拉格朗日對偶法以半封閉形式得到最優(yōu)解。數值結果表明：1）與基準的本地計算方案和安全全部卸載方案相比，本文方案能夠有效降低AP 能量消耗，具有更好的性能增益。2）當竊聽節(jié)點超過一定距離時，竊聽節(jié)點對邊緣用戶節(jié)點的任務卸載幾乎沒有影響，計算任務的能量消耗基本保持穩(wěn)定。3）與無竊聽節(jié)點的無線供能MEC 系統(tǒng)相比，本文模型將消耗更多的系統(tǒng)能量，但是從安全和保密性角度考慮，本文模型更值得深入研究與考慮。但本文還存在很多不足，如沒有考慮采用NOMA 方式提高資源頻譜的利用率，此外，用戶的任務是靜態(tài)分配的，沒有考慮動態(tài)任務到達場景。鑒于當前網絡的復雜性，未來可以將網絡模型擴展至多用戶多竊聽節(jié)點或基站主動發(fā)送干擾攻擊的場景模型中。