这篇文档属于类型a，即报告了一项原创性研究的学术论文。以下是对该研究的详细学术报告：

双无人机移动边缘计算系统中的安全通信资源与轨迹优化研究

第一作者及机构
Weidang Lu（IEEE高级会员）来自浙江工业大学信息工程学院；合作作者包括Yuan Gao（军事科学院）、Su Hu（电子科技大学国家通信重点实验室）、Yuan Wu（澳门大学）、Nan Zhao（大连理工大学）和Yi Gong（南方科技大学）。论文发表于《IEEE Transactions on Industrial Informatics》期刊，2021年收录，DOI编号10.1109/TII.2021.3087726。

学术背景

研究领域与动机
本研究属于无线通信与移动边缘计算（Mobile Edge Computing, MEC）交叉领域，聚焦无人机（Unmanned Aerial Vehicle, UAV）辅助通信中的物理层安全问题。随着5G场景下数据流量爆炸式增长，MEC通过将计算任务卸载到网络边缘服务器以减少延迟，而UAV凭借机动性和视距（Line-of-Sight, LoS）传输优势，成为理想的移动边缘计算平台。然而，UAV的广播特性使其易受恶意窃听者攻击，尤其是当UAV自身作为窃听节点时，传统地面固定窃听场景的防护策略失效。因此，作者提出了一种双无人机MEC系统（Dual-UAV-MEC），通过联合优化资源分配与无人机轨迹，最大化系统安全计算容量。

关键背景知识
1. 移动边缘计算（MEC）：通过将计算任务卸载至边缘服务器，解决终端设备计算能力不足的问题。
2. 无人机通信特性：LoS信道提升通信质量，但易被窃听；动态轨迹优化可增强系统性能。
3. 物理层安全（Physical Layer Security）：利用信道差异性和干扰技术（如人工噪声）阻止窃听。

研究目标
在UAV服务器（UAV_s）辅助地面用户（GUs）计算卸载、UAV窃听者（UAV_e）动态窃听的场景下，通过地面干扰机（GJ）发送干扰信号，联合优化UAV_s轨迹、用户功率分配、时间分配和本地计算资源，最大化用户最小安全计算容量（Secure Calculation Capacity）。

研究流程与方法

1. 系统建模与问题构建
- 场景设置：系统包含1个UAV_s、1个UAV_e、1个地面干扰机（GJ）和K个地面用户（GUs），所有设备配备单天线。
- 信道模型：采用LoS信道，路径损耗模型为β0/d²（β0为单位距离信道增益）。
- 关键约束：
- UAV_s轨迹需满足最大速度、防碰撞（与UAV_e距离≥dmin）及起降位置限制。
- GUs的传输功率、本地计算能力（CPU频率）和任务卸载时间分配需满足上限。
- 优化目标：最大化最小安全计算容量（公式13），定义为用户平均安全计算比特数，受限于能量消耗、计算任务需求等约束。

2. 非凸问题转化与求解
- 问题分解：原问题因非凸约束难以直接求解，作者引入辅助变量（s, s1,k[n], s2,k[n]），将问题转化为等效形式（P2），并通过块坐标下降法（Block Coordinate Descent, BCD）和连续凸近似（Successive Convex Approximation, SCA）迭代求解。
- 步骤1：固定UAV_s轨迹，优化资源分配（时间、功率、本地计算）。
- 时间分配：通过凸优化工具（如CVX）求解线性约束问题。
- 功率分配：利用SCA对非凸约束（如信噪比公式）进行一阶泰勒展开近似。
- 本地计算：直接求解线性规划问题。
- 步骤2：固定资源分配，优化UAV_s轨迹。通过SCA处理防碰撞约束和信道增益的非凸性，转化为凸问题后求解。

3. 算法实现
- 算法1：BCD框架下交替更新资源分配与轨迹，直至目标函数收敛。
- 复杂度分析：与变量规模（3KN+N）相关，计算复杂度为O((KN)^3.5 log(1/ε))。

主要结果

1. 收敛性验证：仿真显示，算法在不同峰值功率（Pmax）和飞行时间（T）下均能快速收敛（图2）。例如，Pmax=0.2W、T=30s时，安全计算容量提升至2.8 Mbps。
   
2. 轨迹优化效果：
   
   • 短时间（T=10s）：UAV_s以最大速度接近用户，但无法悬停（图3a）。
     
   • 充足时间（T=30s）：UAV_s可悬停在用户正上方，显著提升信道质量（图3b）。
     
3. 性能对比：与四种基准方案（如固定轨迹或均等时间分配）相比，所提方案安全计算容量最高（图7），尤其在Pmax=0.2W时提升约30%。
   
4. 参数敏感性：
   
   • 飞行时间T：T增加可提高容量，因UAV_s有更多时间优化位置（图5）。
     
   • 最小计算需求qm：当qm>0.5 Mbits时，因本地计算能力受限，性能下降（图6）。
     

结论与价值

科学价值
1. 方法创新：首次提出双无人机MEC系统中抗UAV窃听的联合优化框架，解决了动态窃听场景的安全问题。
2. 技术贡献：通过SCA和BCD算法，高效求解非凸问题，为复杂约束下的资源-轨迹联合优化提供通用思路。

应用价值
1. 5G/6G安全：为无人机辅助的边缘计算提供物理层安全解决方案，适用于智能电网、自动驾驶等低延迟高安全场景。
2. 军事与应急通信：在对抗环境中保障通信安全，如战场侦察或灾害救援。

研究亮点

1. 动态窃听模型：首次考虑UAV作为移动窃听者的威胁，更贴近实际攻击场景。
   
2. 联合优化框架：同时优化轨迹、功率、时间与计算资源，突破传统单方面优化的局限性。
   
3. 可扩展性：算法可适配多无人机或多用户场景，如未来扩展至NOMA（非正交多址）系统。
   

其他价值
- 开源仿真参数（表II）为后续研究提供基准，如信道模型（β0=-60 dB）、噪声功率（σ²=-110 dBm）等。
- 提出的干扰机制（GJ发送人工噪声）可结合其他加密技术，形成多层次防护体系。

此研究为无人机边缘计算安全领域奠定了重要理论基础，同时为实际系统设计提供了可落地的优化方法。