[發明專利]一種基于半監督學習的移動邊緣計算分流決策方法

有效

• 申請號: 201810342371.6
• 申請日: 2018-04-17
• 公開（公告）號: CN108600002B
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 黃亮;馮旭;錢麗萍;吳遠
• 申請（專利權）人: 浙江工業大學
• 主分類號: H04L12/24
• 分類號: H04L12/24;H04L29/08;H04W28/10;G06N3/08
• 代理公司: 杭州斯可睿專利事務所有限公司 33241
• 代理人: 王利強

1.一種基于半監督學習的移動邊緣計算分流決策方法，其特征在于，所述方法包括以下步驟：

1)在一個由多個用戶組成，并且每個用戶都有多個獨立的任務的移動通信系統中，x_nm為用戶n的任務m的分流決策，如果x_nm為1則表示用戶n的任務m將被分流至基站或云端處理，x_nm為0則表示在本地處理；當用戶n的任務m被分流時，其上行傳輸速率和下行傳輸速率受傳輸總帶寬C_U和C_D的限制；當用戶n的任務m在本地處理時，本地移動設備所產生的能量損耗為如果在云端處理時，所產生的能量損耗為系統總損耗最小化表示為：

約束條件為：

式中：

其中，各參數定義如下：

N：用戶人數；

M：每個用戶的任務數；

x_nm：用戶n的任務m的分流決策，為1時表示在云端處理，為0時在本地處理；

用戶n的任務m在本地處理時的能量損耗；

用戶n的任務m被分流情況下，云端計算結果回傳時，接收過程中能量損耗；

用戶n的任務m被分流時，傳輸過程中能量損耗；

用戶n的任務m在云端處理時的能量損耗；

ρ：在云端處理時，能量損耗的轉化權重；

ω_n：用戶n延時損耗的轉化權重；

用戶n的任務m在本地處理時的延時損耗；

用戶n的任務在云端處理時的總延時損耗；

2)為了保證服務質量，當任務在云端處理時，數據從本地上傳到云端所消耗的時間以及處理時間都將被考慮在內，每個用戶n的任務由發送數據DO_nm和接收數據DI_nm組成，當任務分流至云端時，期間所消耗的時間與本地和基站間的傳輸速率R_AC相關；在云端處理時，時間消耗由發送數據大小和云端處理速度f_C決定，由于數據傳輸和處理時間會有重疊，而重疊部分難以估算，所以總的時間損耗考慮為所有時間消耗的總和

式中：

其中，各參數定義如下：

DI_nm：用戶n的任務m的接收數據大小；

DO_nm：用戶n的任務m的發送數據大小；

用戶n的上傳速度；

用戶n的下行速度；

R_AC：基站與云端的傳輸速率；

AT_nm：每處理單位的數據需要的處理循環次數；

f_C：云端處理器的處理速度；

3)所有用戶的分流決策將通過發送數據DO_nm和接收數據DI_nm的大小決定，半監督學習的作用則是將它們作為半監督學習中神經網絡的輸入，然后生成一個能使整個系統的能量損耗總和最小的分流決策，即決定哪些用戶的哪些任務在本地處理而哪些任務分流至云端處理；半監督學習中的神經網絡用于分流決策預測，也是學習過程的核心，它接收所有用戶的發送數據DO_nm和接收數據DI_nm然后預測出一個分流決策，但這個分流決策不一定是最優的，所以之后將在預測出來的分流決策的基礎上再生成另一個分流決策，然后通過計算選出這兩個分流決策中最好的一個，最后再以好的那個分流決策作為神經網絡的預測目標來優化神經網絡，使其在下一次預測中能預測得更準；在不斷重復這個過程中，神經網絡將會預測得越來越準，直至收斂。

2.如權利要求1所述的一種基于半監督學習的移動邊緣計算分流決策方法，其特征在于：所述步驟3)中，半監督學習的迭代過程為：

步驟3.1：初始化半監督學習中的評估神經網絡，迭代次數k初始化為1；

步驟3.2：當k小于或等于給定迭代次數K時，將所有用戶的發送數據DO_nm和接收數據DI_nm作為神經網絡的輸入，預測出初步的分流決策；

步驟3.3：在初步預測的分流決策的基礎上，再產生另一種不同的分流決策；

步驟3.4：通過計算，選出這兩種分流決策中能使總能量損耗更小的那個分流決策；

步驟3.5：將效果更好的分流決策和輸入的所有用戶的發送數據DO_nm和接收數據DI_nm配對，組成一組帶標簽的數據，供神經網絡學習；

步驟3.6：運用梯度下降算法和上一過程的數據，不斷減小神經網絡的誤差，使其不斷被優化，預測得更準，同時令k＝k+1，回到步驟3.2；

步驟3.7：當k大于給定迭代次數K時，學習過程結束，得到最優的分流決策。