边缘分层社会关系感知方法技术

本发明专利技术提出一种边缘分层社会关系感知方法，针对雾无线接入网络的集中服务器和N个雾计算接入点(F‑AP)，基于集成的半监督算法，利用多个分类回归树(CART)模型并行训练、预测，将半监督算法分解成N+1个并行的子任务，分配到集中服务器和N个F‑AP中训练和预测，减少集中服务器的计算负担。社会关系感知所需位置信息从F‑AP获取，通话记录信息从集中服务器获取。集中服务器和N个F‑AP并行计算，减小时间开销；集中服务器和F‑AP之间只需要进行小数据量的信息交互，无需把原始数据都上传至集中服务器，减轻前传链路的负担。

【技术实现步骤摘要】
边缘分层社会关系感知方法
本专利技术涉及无线通信
，特别涉及一种边缘分层社会关系感知方法。
技术介绍
随着智能终端普及率的提升，以及数据业务和多媒体业务使用量的爆炸式增长，无线网络正面临着容量短缺的问题。终端直通(D2D)通信是一项公认的很有前途的技术，它允许两个物理距离较近的设备直接通信，可以提高频谱效率，增加系统容量。然而D2D通信面临着一些尚未解决的问题，出于安全性的考虑和用户本身的自私性，用户不会和陌生人进行D2D通信，如果用户无法判断请求D2D的对象是否认识，很可能会拒绝D2D通信请求，从而限制D2D在实际网络中的应用。当前，移动网络每时每刻都在产生着和用户相关的多维度数据，通过搜集这些数据，并利用数据挖掘技术进行数据挖掘，可以实现对用户社会关系的有效感知，并利用感知结果来解决前述问题。人们已经发现，移动设备通常由处于社会网络中的人所携带，故移动设备与携带它的用户有着密切的关系，移动设备也体现出相应的社会属性。因此，可以基于这些用户行为数据(通话记录、位置记录)，利用数据挖掘技术，感知出用户之间的社会关系，基于社会关系进行D2D通信。即有着较强社会关系的人们更愿意分享信息和文件，直接通信也更加安全。现有的用来感知社会关系的数据挖掘算法包括三类：(1)有监督学习：在有大量的关系标签数据前提下才会获得较高的准确率，而社会关系标签涉及到用户的隐私，需要人工采集获取，采集难度大，成本高，实际中难以获得大量的关系标签数据，所以有监督学习方法不适用于实际网络；(2)无监督学习：只利用了无标签数据，忽略了标签数据具有的重要信息，准确性大大降低；(3)半监督学习：充分利用了标签数据和无标签数据的信息，不仅降低了对标签数据的需求，适用于实际网络，同时也可以提高准确率和泛化能力，因此半监督学习算法更适用于实际网络中的社会关系感知。在半监督学习算法中，基于单个学习器的半监督方法(如Self-Training)先使用有标签数据训练，再使用无标签数据修正和提高准确率，会导致单个学习器不断积累自身的分类错误，造成准确率不高。基于集成(多个学习器)的半监督方法并行训练多个学习器，利用多个学习器的分类结果相互修正和提高准确率，不显著增加时间开销的前提下，提高准确率和鲁棒性。其中，基于集成的半监督Co-Forest算法利用集成方法bagging的思想，使用分类回归树(CART)作为基本学习器，在少量标签数据情况下，具有更高的准确性和鲁棒性，适合用于实际网络中的社会关系感知。然而，将上述算法应用在实际网络中时，集中的社会关系感知存在以下问题：集中服务器计算负担较重，且从网络边缘收集的大量原始数据需要上传至集中服务器，会给相应的传输链路带来较大负担。
技术实现思路
本专利技术旨在至少解决上述技术问题之一。为此，本专利技术的目的在于提出一种边缘分层社会关系感知方法，针对雾无线接入网络(F-RAN)的集中服务器和N个雾计算接入点(F-AP)，基于集成的半监督Co-Forest算法，利用多个CART模型并行训练、预测，将半监督算法分解成N+1个并行的子任务，分配到集中服务器和N个F-AP中训练和预测。社会关系感知所需位置信息从F-AP获取，通话记录信息从集中服务器获取。集中服务器和F-AP之间只需要进行小数据量的信息交互，无需把原始数据都上传至集中服务器。该方法一方面提高了半监督学习方法的准确率和鲁棒性，另一方面减小了集中服务器和前传链路的负担，同时，减小了时间开销。为了实现上述目的，本专利技术的实施例提出了一种边缘分层社会关系感知方法，包括以下步骤：S1：F-AP利用收集的用户的位置数据计算用户对的位置特征，上传至集中服务器，同时上报其计算能力；S2：集中服务器选取N个计算能力最强的F-AP作为计算结点，其他F-AP只提供训练数据，并将F-AP上传的位置特征聚合，与社会关系标签组合成基于位置特征的训练数据，发送至N个作为计算结点的F-AP，同时从计费系统获取用户的通话数据计算用户对的通话特征，与社会关系标签组合成基于通话特征的训练数据；S3：N个用于模型训练的F-AP分别对从集中服务器获取的有标签的位置特征数据集进行抽样，然后各训练一个CART模型，同时，集中服务器基于有标签的通话特征数据集训练一个CART模型，F-AP将有标签数据和无标签数据的预测结果发送至集中服务器；S4：集中服务器筛选出置信度大于预设阈值的预测数据，并将筛选的预测数据的编号及其预测结果发送至对应的F-AP，该F-AP和集中服务器更新训练集，再次训练一个CART模型，F-AP将有标签数据和无标签数据的预测结果发送至集中服务器，该过程重复执行K轮；S5：对于新的用户对，N个F-AP基于其位置特征，利用自身训练好的CART模型分别初步感知出两个用户的社会关系，然后将结果上传至集中服务器，集中服务器结合基于通话特征的CART模型的感知结果，使用平均法组合得到最终的感知结果，以实现分层感知。另外，根据本专利技术上述实施例的边缘分层社会关系感知方法还可以具有如下附加的技术特征：在一些示例中，在所述S1中，F-AP收集的用户的位置数据的存储格式为[id,time,location]，具体包括用户id、时间点、位置，其中，用户id使用国际移动用户识别码(IMSI)。在一些示例中，所述S1，进一步包括：F-AP利用收集的用户的位置数据计算用户对的位置特征，得到每一对用户u和v的位置特征向量其中，位置特征xloci至少包括：用户u和v相遇的总次数，用户u和v分别在工作日白天、工作日晚上、周末白天、周末晚上相遇的次数，用户u和v分别在工作日白天、工作日晚上、周末白天、周末晚上相遇的次数占用户u和所有其他用户相遇的总次数的比例，用户u和v分别在工作日白天、工作日晚上、周末白天、周末晚上相遇的次数占用户v和所有其他用户相遇的总次数的比例，其中，用户u的一条位置数据和v一条位置数据的时间点相同且位置相同时，记为一次相遇，所述工作日指周一到周五，所述周末指周六周日，所述白天指早上8:00到晚上8:00，所述晚上指晚上8:00到第二天早上8:00。在一些示例中，所述S2，进一步包括：S21：集中服务器根据F-AP的计算能力，选取N个F-AP作为计算结点，以使整个Co-Forest算法的训练时间最小化；S22：集中服务器将不同F-AP上传的同一对用户的位置特征向量聚合成一个位置特征向量S23：集中服务器从计费系统获取用户的通话数据，计算用户对的通话特征，与社会关系标签组合成集中服务器的训练数据。在一些示例中，所述S21，进一步包括：设第一次每个F-AP利用有标签数据集进行训练，然后对有标签数据集和无标签数据集进行预测所需的总计算量为q0，则F-AP第一次并行计算的时间为对于后面的K轮训练过程，设每个F-AP第k轮使用更新的数据集进行训练以及对有标签数据集和无标签数据集进行预测的计算总量为qk，则第k轮并行计算时间为选取N个F-AP作为计算结点，以使整个分层社会关系感知模型的训练时间最小化问题如下：在每个F-AP到集中服务器的前向链路传输速率相近的假设下，T0和T1的值对用于计算的F-AP的选取结果没有影响，则可视为常数，优化问题转化为确定用于计算的F-AP集合使得下面目标函数最小化：求解上述优化问本文档来自技高网...

【技术保护点】
一种边缘分层社会关系感知方法，其特征在于，包括以下步骤：S1：雾计算接入点(F‑AP)利用收集的用户的位置数据计算用户对的位置特征，上传至集中服务器，同时上报其计算能力；S2：集中服务器选取N个计算能力最强的F‑AP作为计算结点，其他F‑AP只提供训练数据，并将F‑AP上传的位置特征聚合，与社会关系标签组合成基于位置特征的训练数据，发送至N个作为计算结点的F‑AP，同时从计费系统获取用户的通话数据计算用户对的通话特征，与社会关系标签组合成基于通话特征的训练数据；S3：N个用于模型训练的F‑AP分别对从集中服务器获取的有标签的位置特征数据集进行抽样，然后各训练一个分类回归树(CART)模型，同时，集中服务器基于有标签的通话特征数据集训练一个CART模型，F‑AP将有标签数据和无标签数据的预测结果发送至集中服务器；S4：集中服务器筛选出置信度大于预设阈值的预测数据，并将筛选的预测数据的编号及其预测结果发送至对应的F‑AP，该F‑AP和集中服务器更新训练集，再次训练一个CART模型，F‑AP将有标签数据和无标签数据的预测结果发送至集中服务器，该过程重复执行K轮；S5：对于新的用户对，N个F‑AP基于其位置特征，利用自身训练好的CART模型分别初步感知出两个用户的社会关系，然后将结果上传至集中服务器，集中服务器结合基于通话特征的CART模型的感知结果，使用平均法组合得到最终的感知结果，以实现分层感知。...

【技术特征摘要】
1.一种边缘分层社会关系感知方法，其特征在于，包括以下步骤：S1：雾计算接入点(F-AP)利用收集的用户的位置数据计算用户对的位置特征，上传至集中服务器，同时上报其计算能力；S2：集中服务器选取N个计算能力最强的F-AP作为计算结点，其他F-AP只提供训练数据，并将F-AP上传的位置特征聚合，与社会关系标签组合成基于位置特征的训练数据，发送至N个作为计算结点的F-AP，同时从计费系统获取用户的通话数据计算用户对的通话特征，与社会关系标签组合成基于通话特征的训练数据；S3：N个用于模型训练的F-AP分别对从集中服务器获取的有标签的位置特征数据集进行抽样，然后各训练一个分类回归树(CART)模型，同时，集中服务器基于有标签的通话特征数据集训练一个CART模型，F-AP将有标签数据和无标签数据的预测结果发送至集中服务器；S4：集中服务器筛选出置信度大于预设阈值的预测数据，并将筛选的预测数据的编号及其预测结果发送至对应的F-AP，该F-AP和集中服务器更新训练集，再次训练一个CART模型，F-AP将有标签数据和无标签数据的预测结果发送至集中服务器，该过程重复执行K轮；S5：对于新的用户对，N个F-AP基于其位置特征，利用自身训练好的CART模型分别初步感知出两个用户的社会关系，然后将结果上传至集中服务器，集中服务器结合基于通话特征的CART模型的感知结果，使用平均法组合得到最终的感知结果，以实现分层感知。2.根据权利要求1所述的边缘分层社会关系感知方法，其特征在于，在所述S1中，F-AP收集的用户的位置数据的存储格式为[id,time,location]，具体包括用户id、时间点、位置，其中，用户id使用国际移动用户识别码。3.根据权利要求1所述的边缘分层社会关系感知方法，其特征在于，所述S1，进一步包括：F-AP利用收集的用户的位置数据计算用户对的位置特征，得到每一对用户u和v的位置特征向量其中，位置特征xloci至少包括：用户u和v相遇的总次数，用户u和v分别在工作日白天、工作日晚上、周末白天、周末晚上相遇的次数，用户u和v分别在工作日白天、工作日晚上、周末白天、周末晚上相遇的次数占用户u和所有其他用户相遇的总次数的比例，用户u和v分别在工作日白天、工作日晚上、周末白天、周末晚上相遇的次数占用户v和所有其他用户相遇的总次数的比例，其中，用户u的一条位置数据和v一条位置数据的时间点相同且位置相同时，记为一次相遇，所述工作日指周一到周五，所述周末指周六周日，所述白天指早上8:00到晚上8:00，所述晚上指晚上8:00到第二天早上8:00。4.根据权利要求3所述的边缘分层社会关系感知方法，其特征在于，所述S2，进一步包括：S21：集中服务器根据F-AP的计算能力，选取N个F-AP作为计算结点，以使整个Co-Forest算法的训练时间最小化；S22：集中服务器将不同F-AP上传的同一对用户的位置特征向量聚合成一个位置特征向量S23：集中服务器从计费系统获取用户的通话数据，计算用户对的通话特征，与社会关系标签组合成集中服务器的训练数据。5.根据权利要求4所述的边缘分层社会关系感知方法，其特征在于，所述S21，进一步包括：设第一次每个F-AP利用有标签数据集进行训练，然后对有标签数据集和无标签数据集进行预测所需的总计算量为q0，则F-AP第一次并行计算的时间为对于后面的K轮训练过程，设每个F-AP第k轮使用更新的数据集进行训练以及对有标签数据集和无标签数据集进行预测的计算总量为qk，则第k轮并行计算时间为选取N个F-AP作为计算结点，以使整个分层社会关系感知模型的训练时间最小化问题如下：在每个F-AP到集中服务器的前向链路传输速率相近的假设下，T0和T1的值对用于计算的F-AP的选取结果没有影响，则可视为常数，优化问题转化为确定用于计算的F-AP集合使得下面目标函数最小化：求解上述优化问题，得到应为计算能力最强的N个F-AP的集合，而其他F-AP只提供训练数据，其中，为计算结点的集合，且为网络中的F-AP集合，K为F-AP更新训练集迭代训练模型的轮数，T0为F-AP将用户位置信息转化成特征数据，并将其和自身计算能力上报，然后集中服务器将聚合后的位置特征与社会关系标签组成训练数据并发送至N个作为计算结点的F-AP的总时间，T1为每一轮迭代中，F-AP上传预测数据，集中服务器筛选预测数据并将结果发送至N个F-AP的总时间，ci为每个F-AP的计算能力。6.根据权利要求5所述的边缘分层社会关系感知方法，其特征在于，所述S22，进一步包括：对于相遇次数相关的位置特征，直接将不同F-AP上传的同一对用户的该位置特征相加即可，对于相遇比例相关的位置特征向量，至少包括用户u和v在工作日白天相遇的次数占用户u和所有其他用户相遇的总次数的比例，则对所有F-AP上传的用户u和v在工作日白天相遇的次数求和，再对聚合后的用户u和所有其他...

【专利技术属性】
技术研发人员：彭木根，张朝亮，孙耀华，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京,11