一种基于半监督学习的移动边缘计算速率最大化方法技术

一种基于半监督学习的移动边缘计算速率最大化方法，包括以下步骤：1)每个无线设备都需要与基站建立联系；2)使用两个互不重叠的集合M0和M1分别表示在本地计算模式和分流模式的所有无线设备；3)处在集合M0中的无线设备能够收集能量并同时处理本地任务，而处在集合M1中的无线设备只能在收集能量后将任务分流至基站处理；4)所有无线设备的模式选择将通过它们的信道增益hi决定，半监督学习的作用则是将它们的信道增益作为输入，然后生成一个能使所有无线设备的总和计算速率最大化的最优模式选择，即决定哪些无线设备的任务在本地处理而哪些分流至基站处理。本发明专利技术在保证用户体验的前提下最大化所有无线设备的总和计算速率。

A rate maximization method for mobile edge computing based on semi supervised learning

A semi-supervised learning based mobile edge computing rate maximization method includes the following steps: 1) each wireless device needs to establish a connection with the base station; 2) all wireless devices in local computing mode and shunt mode are represented by two sets of non-overlapping M0 and M1; 3) the capability of wireless devices in the set M0. The wireless devices in the set M1 can only shunt the tasks to the base station after collecting the energy. 4) The mode selection of all wireless devices will be determined by their channel gain hi. The function of semi-supervised learning is to take their channel gain as input and then generate them. An optimal mode selection that maximizes the total computing rate of all wireless devices is to determine which wireless devices are tasked locally and which are shunted to base stations. The invention maximizes the sum rate of all wireless devices under the premise of ensuring user experience.

【技术实现步骤摘要】
一种基于半监督学习的移动边缘计算速率最大化方法
本专利技术属于通信领域，尤其是涉及移动边缘计算的通信系统以及基于半监督学习的移动边缘计算速率最大化方法。
技术介绍
物联网技术的最新发展是迈向真正智能和自主控制的关键一步，在许多重要的工业和商业系统中尤为突出。在一个物联网网络中，部署了大量的能够进行通信和计算的无线设备(WDs)，由于设备尺寸的限制和生产成本考虑，物联网设备(如传感器)经常携带容量有限的电池和节能的低性能处理器，因此，有限的设备寿命和低计算能力无法支持越来越多需要高性能计算的可持续的新应用程序，例如自动驾驶和增强现实。无线能量传输系统(WPT)的部署可以解决前面提到的两个性能问题，但频繁的设备电池故障不仅扰乱了正常的个人无线设备操作也会显著降低整体网络性能，比如，无线传感器网络中的传感精度。传统的无线系统需要频繁手动更换电池，这很昂贵而且很不方便，由于严格的电池容量限制，在以电池供电的无线系统中，能耗最小化，延长无线设备操作生命周期是一个关键的设计。每一个能量收集的无线设备都遵循二进制计算分流策略，即，一个任务的数据集可以在本地被执行或通过远程的服务器分流来执行。为了最大化所有无线设备的总和计算速率，找到最优的单独计算模式选择是很有必要的。
技术实现思路
为了克服现有无线能量传输系统的总和计算速率较低的不足，为了最大化所有无线设备的总和计算率，找到最优的单独计算模式选择和系统传输时间分配，本专利技术提供了一种基于半监督学习的移动边缘计算速率最大化方法，在保证用户体验的前提下最大化所有无线设备的总和计算速率。本专利技术解决其技术问题所采取的技术方案是：一种基于半监督学习的移动边缘计算速率最大化方法，所述方法包括以下步骤：1)在一个由一个基站和多个无线设备组成由无线供电的边缘计算系统中，基站和每个无线设备都有一个单独的天线；射频能量发射器和边缘计算服务器都集成在基站中，假设基站有一个稳定的能量供给，并且能广播射频能量给所有无线设备；每一个无线设备都有一个能量收集电路和一个可充电电池，通过存储收集的能量来完成一些任务；在这个无线通信系统中，每个无线设备都需要与基站建立联系，无线设备i与基站之间的信道增益hi计算为：其中，各参数定义如下：Ad：天线增益；π：圆周率；fc：载波频率；di：无线设备i与基站之间的距离；de：路径损耗指数；2)假设每一个无线设备的计算任务可以在本地低性能的微处理器上执行或者分流给具有更强大的处理能力的边缘计算服务器，它将处理计算任务然后将结果发送回无线设备；假设无线设备采用二进制计算分流规则，也就是，一个无线设备必须选择是本地计算模式或者分流模式；使用两个互不重叠的集合和分别表示在本地计算模式和分流模式的所有无线设备，所有无线设备集合表示为：3)处在集合中的无线设备能够收集能量并同时处理本地任务，而处在集合中的无线设备只能在收集能量后将任务分流至基站处理，假设基站的计算能力和传输能力要比能量采集无线设备要强大得多，在这种情况下，在任务分流过程中，无线设备耗尽了其收集的能量；所有无线设备的计算速率总和最大化问题描述为：约束条件为：式中：其中，各参数定义如下：ωi：第i个无线设备的转换权重；μ：能量收集效率；P：射频能量传输功率；Φ：处理每一位数据所需的计算循环次数；hi：第i个无线设备的信道增益；ki：第i个无线设备的能源效率系数；a：时间系数；vμ：转换效率；B：带宽；τj：第j个无线设备的时间系数；N0：本地处理模式下无线设备的个数；4)所有无线设备的模式选择将通过它们的信道增益hi决定，半监督学习的作用则是将它们的信道增益作为输入，然后生成一个能使所有无线设备的总和计算速率最大化的最优模式选择，即决定哪些无线设备的任务在本地处理而哪些分流至基站处理；半监督学习中的神经网络用于模式预测，也是学习过程的核心，它接收所有无线设备的信道增益hi然后预测出一个模式选择，但这个模式选择不一定是最优的，所以之后将在预测出来的模式的基础上在生成一个模式，然后通过计算选出这两个模式中最好的一个，最后在以好的那个模式作为神经网络的预测目标来优化神经网络，使其在下一次预测中能预测得更准。在不断重复这个过程中，神经网络将会预测得越来越准，直至收敛。进一步，所述步骤4)中，半监督学习的迭代过程为：步骤4.1：初始化半监督学习中的评估神经网络，迭代次数k初始化为1；步骤4.2：当k小于或等于给定迭代次数K时，将所有无线设备的信道增益hi作为神经网络的输入，预测出初步的模式选择；步骤4.3：在初步预测模式选择的基础上，再产生一种不同的模式选择；步骤4.4：通过计算，选出这两种模式中能使所有无线设备总速率更大的那个模式；步骤4.5：将效果更好的模式选择和输入的信道增益hi配对，组成一组带标签的数据，供神经网络学习；步骤4.6：运用梯度下降算法和上一过程的数据，不断减小神经网络的误差，使其不断被优化，预测得更准，同时令k＝k+1，回到步骤4.2；步骤4.7：当k大于给定迭代次数K时，学习过程结束，得到最优的模式选择。本专利技术的技术构思为：首先，在一个物联网网络中，部署了大量的能够进行通信和计算的无线设备(WDs)，由于设备尺寸的限制和生产成本考虑，物联网设备(如传感器)经常携带容量有限的电池和节能的低性能处理器，因此，有限的设备寿命和低计算能力无法支持越来越多需要高性能计算的可持续的新应用程序，由于严格的电池容量限制，在以电池供电的无线系统中，能耗最小化，延长无线设备操作生命周期是一个关键的设计。每一个能量收集的无线设备都遵循二进制计算分流策略，即，一个任务的数据集可以在本地被执行或通过远程的服务器分流来执行。为了最大化所有无线设备的总和计算速率，提出了一种最优的单独计算模式选择方法。本专利技术的有益效果主要表现在：通过半监督学习寻找出最优的模式选择方法，最大化所有无线设备的总和计算速率，能耗最小化，延长无线设备操作生命周期。附图说明图1是系统模型示意图。图2是找到最优的模式选择的方法流程图。具体实施方式下面结合附图对本专利技术作进一步详细描述。参照图1和图2，一种基于半监督学习的移动边缘计算速率最大化方法，最大化所有无线设备的总和计算速率，能耗最小化，延长无线设备操作生命周期。本专利技术基于多无线设备的系统模型(如图1所示)，提出了一个最优的单独计算模式选择方法来决定哪些无线设备的任务会被分流至基站。所述最优的单独计算模式选择方法包括有以下步骤(如图2所示)：1)在一个由一个基站和多个无线设备组成由无线供电的边缘计算系统中，基站和每个无线设备都有一个单独的天线；射频能量发射器和边缘计算服务器都集成在基站中，假设基站有一个稳定的能量供给，并且能广播射频能量给所有无线设备；每一个无线设备都有一个能量收集电路和一个可充电电池，可以通过存储收集的能量来完成一些任务；在这个无线通信系统中，每个无线设备都需要与基站建立联系，无线设备i与基站之间的信道增益hi计算为：其中，各参数定义如下：Ad：天线增益；π：圆周率；fc：载波频率；di：无线设备i与基站之间的距离；de：路径损耗指数；2)假设每一个无线设备的计算任务在本地低性能的微处理器上执行或者分流给具有更强大的处理能力的边缘计算服务器，它将处理计算任务然后将结果发送回无本文档来自技高网...

【技术保护点】
1.一种基于半监督学习的移动边缘计算速率最大化方法，其特征在于，所述方法包括以下步骤：1)在一个由一个基站和多个无线设备组成由无线供电的边缘计算系统中，基站和每个无线设备都有一个单独的天线；射频能量发射器和边缘计算服务器都集成在基站中，假设基站有一个稳定的能量供给，并且能广播射频能量给所有无线设备，每一个无线设备都有一个能量收集电路和一个可充电电池，通过存储收集的能量来完成一些任务；在这个无线通信系统中，每个无线设备都需要与基站建立联系，无线设备i与基站之间的信道增益hi计算为：

【技术特征摘要】
1.一种基于半监督学习的移动边缘计算速率最大化方法，其特征在于，所述方法包括以下步骤：1)在一个由一个基站和多个无线设备组成由无线供电的边缘计算系统中，基站和每个无线设备都有一个单独的天线；射频能量发射器和边缘计算服务器都集成在基站中，假设基站有一个稳定的能量供给，并且能广播射频能量给所有无线设备，每一个无线设备都有一个能量收集电路和一个可充电电池，通过存储收集的能量来完成一些任务；在这个无线通信系统中，每个无线设备都需要与基站建立联系，无线设备i与基站之间的信道增益hi计算为：其中，各参数定义如下：Ad：天线增益；π：圆周率；fc：载波频率；di：无线设备i与基站之间的距离；de：路径损耗指数；2)假设每一个无线设备的计算任务可以在本地低性能的微处理器上执行或者分流给具有更强大的处理能力的边缘计算服务器，它将处理计算任务然后将结果发送回无线设备；假设无线设备采用二进制计算分流规则，也就是，一个无线设备必须选择是本地计算模式或者分流模式；使用两个互不重叠的集合和分别表示在本地计算模式和分流模式的所有无线设备，所有无线设备集合表示为：3)处在集合中的无线设备能够收集能量并同时处理本地任务，而处在集合中的无线设备只能在收集能量后将任务分流至基站处理，假设基站的计算能力和传输能力要比能量采集无线设备要强大得多，在这种情况下，在任务分流过程中，无线设备耗尽了其收集的能量，所有无线设备的计算速率总和最大化问题描述为：约束条件为：式中：其中，各参数定义如下：ωi：第i个无线设备的转换权重；μ：能量收集效率；P：射频能量传输功率；Φ：处理每一位数据所需的计算循环次数；hi：第i个无线设备的信道增益；ki：第i个无线设备的能源效率系数；a：时间...

【专利技术属性】
技术研发人员：黄亮，冯旭，钱丽萍，吴远，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33