一种面向边缘学习的多用户调度方法、系统及存储介质技术方案

本发明专利技术提供的一种面向边缘学习的多用户调度方法、系统及存储介质，方法包括以下步骤：接收或更新边缘设备的本地数据集，将所述本地数据集的经验概率分布信息进行广播；根据所述经验概率分布信息中的第一经验概率以及所述第一经验概率的散度信息，确定数据重要性指标；获取信道状态信息，根据所述信道状态信息以及所述数据重要性指标确定多用户调度准则；根据所述多用户调度准则以及所述数据重要性指标进行多用户迭代筛选，得到用户集合；基于所述用户集合，选择目标用户进行数据传输，方案能够有效提高无线资源利用率和学习准确率，可广泛应用于无线通信和机器学习的边缘学习技术领域。技术领域。技术领域。

【技术实现步骤摘要】
一种面向边缘学习的多用户调度方法、系统及存储介质


[0001]本专利技术涉及无线通信和机器学习的边缘学习
，尤其是一种面向边缘学习的多用户调度方法、系统及存储介质。

技术介绍

[0002]在无线通信系统中，无线资源是系统设计时需重点关注的因素之一。多用户MIMO技术通过在同一时频资源上服务多个用户设备，并且接收端从空间域进行信号的分离，以空分复用的方式提高频谱效率。近年来，随着物联网(Internet
‑
of
‑
Things,IoT)传感器等边缘设备的增加，无线数据的爆炸性增长已被预见。海量的数据使得在网络边缘部署机器学习(machine learning,ML)模型，即边缘学习成为可能。边缘学习系统的目标是利用边缘设备产生的大量实时数据来快速训练机器学习模型。边缘服务器将训练好的模型下载到边缘设备上，从而实现边缘设备的智能化，以执行实时推理与决策。
[0003]在这一新的应用场景下，不同的数据对模型的学习并非同等重要。相关技术方案中的最大和数据率的多用户调度方案忽略了不同的数据样本对模型学习的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向边缘学习的多用户调度方法，其特征在于，包括以下步骤：接收或更新边缘设备的本地数据集，将所述本地数据集的经验概率分布信息进行广播；根据所述经验概率分布信息中的第一经验概率以及所述第一经验概率的散度信息，确定数据重要性指标；获取信道状态信息，根据所述信道状态信息以及所述数据重要性指标确定多用户调度准则；根据所述多用户调度准则以及所述数据重要性指标进行多用户迭代筛选，得到用户集合；基于所述用户集合，选择目标用户进行数据传输。2.根据权利要求1所述的一种面向边缘学习的多用户调度方法，其特征在于，所述根据所述经验概率分布信息中的第一经验概率以及所述第一经验概率的散度信息，确定数据重要性指标，包括：根据通信模型在虚拟空间中构建得到第一模型；根据所述本地数据集的经验风险确定所述第一模型的期望风险；根据经验风险的第一概率与所述期望风险的第二概率之间的差异确定KL散度；根据所述KL散度对所述第一概率的导数，确定所述数据重要性指标。3.根据权利要求2所述的一种面向边缘学习的多用户调度方法，其特征在于，所述根据所述本地数据集的经验风险确定所述第一模型的期望风险，包括：根据经验风险最小化对所述第一模型进行调整得到第二模型；根据所述本地数据集的数据集大小确定所述经验风险，根据所述经验风险描述所述第二模型；在描述所述第二模型过程中，使得所述经验风险一致收敛得到所述期望风险。4.根据权利要求3所述的一种面向边缘学习的多用户调度方法，其特征在于，所述第二模型的学习过程包括：获取历史数据中的目标类别数据的期望概率；根据所述期望概率对所述经验风险的第一表达式进行变换；根据变换之后的所述第一表达式、所述目标类别数据的第二经验概率以及所述目标类别数据的数据量，计算得到所述期望风险。5.根据权利要求1所述的一种面向边缘学习的多用户调度方法，其特征在于，所述获取信道状态信息，根据所述信道状态信息以及所述数据重要性指标确定多用户调度准则，包括：根据所述数据重要性指标的数据速率之和构建所述多用户调度准则的第二表达式，所述数据速率根据所述信道状态信息确定；根据数据重要性加权和数据速率准则构建多用户迭代选择算法；根据所述多用户迭代选择算法对所述第二表达式进行求解得到调度用户的所述用户集合；所述多用户迭代选择算法的输入为所述数据重要性指标、所述信道状态信息以及信噪比；所述多用户迭代选择算法的输出为所述用户集合。6.根据权利要求5所述的一种面向边缘学习的多用户调度方法，其特征在于，所述根据
所述多用户迭代选择算法对所述第二表达式进行求解得到调度用户的所述用户集合，包括：根据所述多用户迭代选择算法对所述...

【专利技术属性】
技术研发人员：温文坤，马凤鸣，郑凛，闵铁锐，任后文，刘军林，詹宏强，刘元东，
申请(专利权)人：广州技象科技有限公司，
类型：发明
国别省市：