【技术实现步骤摘要】
基于分层联邦学习的无人机小基站集群RAN切片方法
[0001]本专利技术属于计算机通信
,具体是一种基于分层联邦学习的无人机小基站集群RAN切片方法
技术介绍
[0002]第五代移动通信系统(5G)支持多样化应用场景,促使数以百亿计的物联网设备接入网络
[1],对资源提供和服务质量(QoS,Quality of Service)保障提出了更高的要求。尽管地面5G无线接入网(RAN,Radio Access Networks)可以基本满足大多数应用的服务需求,但在缺乏基础设施的情况下或出现节假日聚集活动、举办重要赛事等临时性热点时,地面RAN便显得力不从心。此时,配置有无线收发装置和边缘计算模块的无人机形成的空中小基站(drone
‑
small
‑
cell)
[2]可以拓展网络覆盖范围和缓解资源分配压力,满足在突发或临时情况下终端设备的服务需求。由于单一无人机的局限性,未来无人机小基站将以集群方式共同为地面用户提供服务
[3],这种方式已成为后5G和6G RAN的重要组成部分。
[0003]RAN切片是5G网络和可扩展网络架构中重要的使能技术之一,可以根据客户需求提供定制化服务
[4]。RAN切片将共享的物理无线网络分割成多个隔离的逻辑网络,为用户动态、弹性地分配网络资源
[5]。在通信网络发展过程中,一个自然的步骤是将RAN切片“延伸”至无人机小基站,使其可以支持多样化的服务。机器学习方法能够对资源需求数据进行更高层次、更抽象的 ...
【技术保护点】
【技术特征摘要】
1.一种基于分层联邦学习的无人机小基站集群RAN切片方法,其特征是,在无人机小基站集群无线接入网RAN场景中,每个无人机小基站上的物理资源依照切片预测模型被虚拟化为多个切片,每个切片支持一类定制化服务;无人机小基站简称为无人机;切片预测模型是联邦学习FL模型,以下简称模型;采用基于学习的方法进行模型协同训练优化,步骤包括:1)本地数据增广和模型训练:当到无人机达新的部署位置后,每个无人机利用数据增广策略促进本地模型训练;2)面向边缘模型聚合的分簇:地面基站根据各无人机提交的数据分布和位置信息对无人机集群进行分簇,并选举簇头;无人机集群被分为多个簇,簇内成员将本地模型参数上载至簇头;簇头将基站更新后的全局模型参数下发至簇内成员;3)分层模型聚合:簇头聚合簇内成员的模型参数后,形成边缘聚合模型,并将模型参数进一步上传至地面基站;地面基站聚合边缘聚合模型参数,建立全局模型;簇头将更新后的全局模型参数分发给簇内成员;簇内成员无人机根据接收到的全局模型参数更新本地模型。2.根据权利要求1所述的基于分层联邦学习的无人机小基站集群RAN切片方法,其特征是无人机上的控制器根据服务的资源需求量动态地为切片分配资源,方法为:假设时间被划分为多个切片窗口,每个切片窗口被划分为多个离散时隙,代表切片窗口a包含的时隙集合,该集合中元素的个数被表示为T
a
;无人机在当前切片窗口a运行过程中预测下一窗口a+1内各切片所需的资源块数量;在窗口a+1开始时,根据资源需求预测值重新分配每个切片的资源;在窗口a以内,每个切片分配的资源块数量维持不变,在切片窗口内的各个时隙t开始时,无人机上的控制器为接收的任务分配资源块;每个无人机预留一部分可被各个切片共享的资源块;在资源不足的情况下,切片临时占用这些共享资源块;假设无人机k的资源块数量为B
k
,这些资源块被编排成M
k
个切片,且切片集合记为在切片窗口a,假设无人机k上切片m在窗口a+1的资源需求预测值为而在时隙的实际资源分配量为则有切片资源分配有2种情形:情形1:代表在时隙t所需的实际资源块数量大于切片窗口a内的预测值,此时切片m需要临时占用预留的共享资源块;情形2:代表所需的资源块数量小于预测值,则切片m的资源满足当前需求;假设无人机k预留的共享资源块被表示为B
′
k
,对于情形1,若即所有共享资源块都不足以应对突发的资源需求,则切片性能隔离将无法得到保障;令二元变量代表在时隙t无人机k上的各切片可以维持性能隔离,否则为0,即
由式(1),在窗口a+1内,切片性能隔离时长占比越高,则资源分配方案越有效;于是,相应的切片性能隔离优化问题描述为在窗口a运行过程中,无人机k上的切片m在下一窗口a+1资源块数量预测值和真实资源需求之间的差距越小,为1的概率越大;于是,通过最小化预测值和真实值之间的均方误差(MSE,Mean Square Error),问题被转化为如下优化问题被转化为如下优化问题问题的实质是在资源总量约束下如何通过优化模型训练来缩小预测误差,以尽可能提升切片性能隔离的时间占比;式2、3中,T是一个切片窗口内离散时隙的数量,M是切片的数量。3.根据权利要求2所述的基于分层联邦学习的无人机小基站集群RAN切片方法,其特征是步骤1)中,在切片窗口a,无人机k利用全局模型参数w
(a)
初始化自身模型,并根据所采集的数据进行本地训练;令代表无人机k上切片m在切片窗口a的实际资源需求向量,则无人机k上所有切片的实际资源需求矩阵为无人机k预测切片m在窗口a+1所需的资源块数量为其中,f(
·
)代表无人机k的预测模型,为模型参数;利用本地数据增广方法促进模型训练,方法为:采用窗口切片方法进行数据增广,即通过使用一个滑动窗口在序列上不断滑...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。