基于安全感知的云無線接入網絡資源分配算法研究

◆尹魏昕 周迅釗 徐 雷

?

基于安全感知的云無線接入網絡資源分配算法研究

◆尹魏昕1周迅釗2徐 雷2

（1.國家計算機網絡與信息安全管理中心江蘇分中心 江蘇 210003；2.南京理工大學計算機科學與工程學院 江蘇 210094）

為了解決傳統靜態頻譜資源分配效率低下和最優信道分配方案的饑餓現象，本文提出一種考慮安全因素的云無線接入網絡資源調度算法。首先，利用雙向拍賣機制對云無線接入網絡中的安全感知資源分配問題進行建模；然后，使用梯度下降算法對安全感知資源分配問題進行求解；最后，仿真結果表明，所提的安全感知資源分配算法能夠得到較好的網絡安全吞吐量和資源分配效率。

云無線接入網絡；雙拍賣模型；資源分配；安全感知

0 引言

隨著移動設備的爆炸式增長，傳統的感知無線網絡很難適應用戶們日益增長的服務質量要求。近些年的研究表明，云無線接入網絡能夠應對成倍增長的數據傳輸要求，并且能夠解決未來通信基礎設施所面對的帶寬和控制問題[1]。云無線接入網絡（Cloud Radio Access Networks）C-RAN架構利用了集中式處理、實時云系統基礎設施技術，目標是構建一個低耗費、高帶寬、低延遲、高靈活度的綠色系統。近些年研究表明，C-RAN架構可以通過虛擬化技術以及動態資源分配策略實現了基帶資源共享，從而減少了基站數量以及基礎能耗[2]。

由于用戶設備是不均勻分布的，這就造成了遠端無線射頻單元負載的不均衡性。這就使得一些遠端無線射頻單元會承擔高于其最大承受能力的負載，同時另一些遠端無線射頻單元會處于低負載的相對閑置狀態。因此，本文給出一個很好的想法，將在最優信道分配情況下會過載的遠端無線射頻單元作為資源的請求方，并將可用的閑置遠端無線射頻單元作為資源的提供方，這樣就可以形成一個競爭的關系。在移動云計算中，這種競爭的方法已經被廣泛討論了[3-4]。受到這種競爭機制啟發，我們假定遠程射頻單元作為競爭者。為了競爭獲得更高的綜合效用，將競爭機制用于C-RAN，來獲得更好的資源分配效果，并且增加吞吐率。因此，我們就構建一個競爭的市場機制，包括提供過剩資源用于服務的遠端無線射頻單元以及資源不足而需求資源的遠端無線射頻單元。需求資源的遠端無線射頻單元需要相互競爭空閑的資源來提高其最大效用，而服務的遠端無線射頻單元則需要在價格競爭機制中獲得最大的報酬。通過這種方式，可以限制干擾過大的信道獲取較多的資源，而把資源分配給最更合適的用戶，以此提高吞吐量。為了實現這種非合作的雙向拍賣博弈，一個可以融合兩種競爭關系的市場機制就非常重要，這就是本文所使用的雙向拍賣機制。

物理層安全是一種基于香農信息論的安全技術，其基本原理是利用通信信道和噪聲的隨機性來限制可被認證終端所竊取的信息量[5-7]。雖然有研究通過雙向拍賣解決了移動云計算資源調度的問題，但是C-RAN網絡物理層安全研究還處于初級階段，對于考慮安全因素的資源分配問題還存在很多不足。因此，有必要研究基于安全感知的云無線接入網絡資源分配算法。本文對雙向拍賣機制用于C-RAN網絡物理層安全資源分配問題進行了研究。首先對基于C-RAN的安全吞吐量信道模型進行建模，并介紹雙向拍賣理論的模型構成，然后將通過介紹雙向拍賣的效用模型，將雙向拍賣算法用于資源分配模型，最后獲得一個有效的安全感知頻譜分配方案并取得仿真結果。

1 系統模型和優化問題描述

因此，在C-RAN網絡中，所有用戶的吞吐量之和如下：

在一個時隙中，子載波分配應滿足公式(4)約束：

綜上所述，C-RAN網絡總吞吐量最大化資源分配問題如下：

2 雙向拍賣機制

基于系統模型，我們要建立一個高效的市場模型，激勵用戶參與到資源共享中來，從而在多用戶之間分配資源。由于管理者不知道用戶的效用和耗費，因此我們介紹一個雙向拍賣的機制[8-9]，用于激勵用戶提供他們的供需信息，并且激勵遠端無線射頻單元參與到資源競爭中去。

根據公式（8）-（10），推導出市場統一價格：

則

通過公式（12）和（13）就很清楚地表現出資源提供方和資源需求方矛盾。另外值得注意的是，雙向拍賣機制很容易兼容類似文獻[10]所述隱私保護方法，但是本文用于C-RAN架構，架構本身的分布式的處理方式保證了其隱私安全性。

3 安全感知資源分配算法描述

這一節中，我們先將優化問題構造成一個社會最大利益問題，然后使用了一種分布式方法解決這個問題。

聯合個人最大化求和得出社會收益最大化的優化條件：

因此我們在競爭過程中獲得唯一社會最優價格。我們通過解決OP0問題來解決這個最優化問題。各個競爭者之間不清楚其他競爭者的競價信息。每個競爭參與者都是自私的，并且不與社會總利益完全一致。社會優化目標不會集中式地體現，所以我們提出一個分布式的算法。

算法運用梯度下降方法迭代執行，分為三步：

（1）每個競爭者收到統一社會價格，然后他們都試圖最大化他們的收益。然后提出符合收益的報價，將報價發送給系統管理者。

市場價格更新公式如下：

具體的算法，展示在表1中。收斂速度取決于步長的選擇。共享資源的數量取決于市場價格以及競爭者之間的出價。

表1 優化問題解決方法OBA

4 仿真實驗分析

圖1 OBA在不同步長情況下統一價格變化

圖2 OBA算法與最近分配算法（NAA）對比

5 總結

本文首先對C-RAN架構優勢進行了介紹，并且闡釋了安全感知資源分配研究的必要性和有效性。其次，我們給出了頻譜資源調度基于吞吐量最大化的優化目標，通過對雙向拍賣方法的介紹，結合已有C-RAN安全感知吞吐量優化目標，我們將優化問題轉化為一個有效的雙拍賣模型來適應C-RAN安全感知資源分配。然后我們使用梯度下降的方法完成了安全感知資源分配方案的仿真。仿真結果表明，與傳統的NAA算法相比我們使用的OBA算法能有效提高總的系統收益，并且算法運行時間通過步長的修改基本達到實時，展示了此方法的優越性。

[1]Y. Shi, J. Zhang and K. B. Letaief, "Group Sparse Beamforming for Green Cloud-RAN,", vol. 13, no. 5, pp. 2809-2823, May，2014.

[2]L. Liu, S. Bi and R. Zhang, "Joint Power Control and Fronthaul Rate Allocation for Throughput Maximization in OFDMA-Based Cloud Radio Access Network,", vol. 63, no. 11, pp. 4097-4110, Nov，2015.

[3]L. Tang, S. He and Q. Li, "Double-Sided Bidding Mechanism for Resource Sharing in Mobile Cloud,", vol. 66, no. 2, pp. 1798-1809, Feb，2017.

[4]S. A. Noor, R. Hasan and M. M. Haque, "CellCloud: A Novel Cost Effective Formation of Mobile Cloud Based on Bidding Incentives,", Anchorage, AK, 2014, pp. 200-207.

[5]T. Yang, G. Mao and W. Zhang, "Connectivity of wireless information-theoretic secure networks,", Austin, TX, 2014, pp. 317-323.

[6]M. Bloch, J. Barros, M. R. D. Rodrigues and S. W. McLaughlin, "Wireless Information-Theoretic Security,", vol. 54, no. 6, pp. 2515-2534, June 2008.

[7]A. Ozgur, R. Johari, D. N. C. Tse and O. Leveque, "Information-Theoretic Operating Regimes of Large Wireless Networks,", vol. 56, no. 1, pp. 427-437, Jan. 2010.

[8]I. Koutsopoulos, "Optimal incentive-driven design of participatory sensing systems,", Turin, 2013.

[9]C. Chen and Y. Wang, "SPARC: Strategy-Proof Double Auction for Mobile Participatory Sensing,", Fuzhou, 2013.

[10]S. Liu, H. Zhu, R. Du, C. Chen and X. Guan, "Location Privacy Preserving Dynamic Spectrum Auction in Cognitive Radio Network,", Philadelphia, PA, 2013.

本文得到國家自然科學基金(No.61671244)和中央高?；究蒲袠I務費專項資金資助(No. 30918011204)的支持。