[發(fā)明專利]時(shí)間觸發(fā)調(diào)度模型的訓(xùn)練、時(shí)間觸發(fā)調(diào)度方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202111137291.5
• 申請(qǐng)日: 2021-09-27
• 公開(kāi)（公告）號(hào): CN114006827B
• 公開(kāi)（公告）日: 2023-01-24
• 發(fā)明（設(shè)計(jì)）人: 萬(wàn)海;賈宏宇;趙曦濱
• 申請(qǐng)（專利權(quán)）人: 清華大學(xué)
• 主分類(lèi)號(hào): H04L41/16
• 分類(lèi)號(hào): H04L41/16;H04L41/12
• 代理公司: 北京聿宏知識(shí)產(chǎn)權(quán)代理有限公司 11372
• 代理人: 陳超德;吳昊

1.一種時(shí)間觸發(fā)調(diào)度模型的訓(xùn)練方法，其特征在于，所述方法包括：

提取由網(wǎng)絡(luò)設(shè)備構(gòu)成的拓?fù)鋱D中每條鏈路的基礎(chǔ)特征向量；所述基礎(chǔ)特征向量包括原始特征向量和可用資源向量，所述原始特征向量包括以下一項(xiàng)或多項(xiàng)的組合：待調(diào)度時(shí)間觸發(fā)TT流的起點(diǎn)、待調(diào)度TT流的終點(diǎn)、當(dāng)前鏈路是否被訪問(wèn)、合法的相位比例、帶寬的利用率以及所述待調(diào)度TT流的周期；

針對(duì)每條鏈路，根據(jù)所述鏈路的基礎(chǔ)特征向量和所述鏈路的鄰居向量，獲得所述鏈路的嵌入向量；所述鄰居向量為與所述鏈路相鄰的其他鏈路的基礎(chǔ)特征向量；

根據(jù)所有鏈路的嵌入向量的平均值獲取全局向量；

將每條鏈路的所述基礎(chǔ)特征向量、所述嵌入向量和所述全局向量進(jìn)行拼接獲得所述鏈路的目標(biāo)向量；

將所述目標(biāo)向量輸入策略網(wǎng)絡(luò)，確定所述待調(diào)度TT流的第一下一跳鏈路、所述第一下一跳鏈路對(duì)應(yīng)的第一轉(zhuǎn)發(fā)相位以及所述第一轉(zhuǎn)發(fā)相位中為所述待調(diào)度TT流分配的第一時(shí)隙；

若利用所述第一時(shí)隙和所述第一下一跳鏈路對(duì)所述待調(diào)度TT流進(jìn)行調(diào)度所到達(dá)的網(wǎng)絡(luò)設(shè)備不是所述終點(diǎn)，則更新所述目標(biāo)向量以及時(shí)隙占用情況，并將更新后的目標(biāo)向量輸入所述策略網(wǎng)絡(luò)確定所述待調(diào)度TT流的第二下一跳鏈路、所述第二下一跳鏈路對(duì)應(yīng)的第二轉(zhuǎn)發(fā)相位以及所述第二轉(zhuǎn)發(fā)相位中為所述待調(diào)度TT流分配的第二時(shí)隙，并利用所述第二時(shí)隙和所述第二下一跳鏈路對(duì)所述待調(diào)度TT流進(jìn)行調(diào)度，直至達(dá)到所述終點(diǎn)；

在針對(duì)多條待調(diào)度TT流進(jìn)行調(diào)度過(guò)程中到達(dá)預(yù)設(shè)調(diào)度終止條件時(shí)，利用策略梯度算法更新時(shí)間觸發(fā)調(diào)度模型的參數(shù)，并利用更新后的時(shí)間觸發(fā)調(diào)度模型繼續(xù)對(duì)待調(diào)度TT流進(jìn)行調(diào)度，直至目標(biāo)函數(shù)取值最大時(shí)，獲得目標(biāo)時(shí)間觸發(fā)調(diào)度模型；所述目標(biāo)函數(shù)是與所述拓?fù)鋱D、待調(diào)度TT流的調(diào)度需求、確定下一跳鏈路、轉(zhuǎn)發(fā)相位、時(shí)隙分配相關(guān)的函數(shù)。

2.如權(quán)利要求1所述的方法，其特征在于，提取由網(wǎng)絡(luò)設(shè)備構(gòu)成的拓?fù)鋱D中每條鏈路的基礎(chǔ)特征向量中的可用資源向量，包括：

將每個(gè)相位的可用時(shí)隙率作為輸入神經(jīng)元輸入周期層，獲得不同周期TT流的空余時(shí)隙信息；其中每2ⁱ個(gè)輸出神經(jīng)元表示一種周期的TT流的空余時(shí)隙信息，并且每2ⁱ個(gè)輸出神經(jīng)元分別與2^k-i個(gè)輸入神經(jīng)元相連；0≤i≤k-1，且i為整數(shù)，k為正整數(shù)；若輸出神經(jīng)元個(gè)數(shù)小于輸入神經(jīng)元個(gè)數(shù)，則增加虛擬輸出神經(jīng)元以使得輸出神經(jīng)元個(gè)數(shù)與輸入神經(jīng)元個(gè)數(shù)相同；

將所述不同周期TT流的空余時(shí)隙信息輸入預(yù)設(shè)數(shù)量的全連接層進(jìn)行降維處理，獲得每條鏈路的所述可用資源向量。

3.如權(quán)利要求1所述的方法，其特征在于，針對(duì)每條鏈路，根據(jù)所述鏈路的基礎(chǔ)特征向量和所述鏈路的鄰居向量，獲得所述鏈路的嵌入向量，包括：

通過(guò)圖卷積網(wǎng)絡(luò)GCN網(wǎng)絡(luò)，將鏈路v的基礎(chǔ)特征向量和所述鏈路v的鄰居向量輸入第一公式迭代k次，獲得所述鏈路的嵌入向量

所述第一公式為：

其中，k為正整數(shù)，g和f表示激活函數(shù)，u表示鏈路v的鄰居鏈路，ξ(v)表示鄰居鏈路集合。

4.如權(quán)利要求1所述的方法，其特征在于，根據(jù)所有鏈路的嵌入向量的平均值獲取全局向量，包括：

通過(guò)圖摘要網(wǎng)絡(luò)GSN，計(jì)算所有鏈路的嵌入向量的平均值；

通過(guò)全連接層和激活函數(shù)對(duì)所述平均值進(jìn)行編碼，獲得所述全局向量。