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不同影响效果，在边缘学习中得到的结果不是最优的。因此，面对该无线通信和机器学习的交叉领域，传统的最大和数据率的多用户调度方案需要重新设计。为了充分利用有限的无线资源为边缘学习服务，需要设计新的多用户调度准则，以兼顾信道状态信息和数据对模型学习的重要性，从而实现高效的训练数据传输和模型训练。
[0004]但是，相关技术方案是在传输数据的经验概率遵循期望概率的前提下进行的，在实践中这一条件通常不能得到满足。例如，使用不平衡数据集训练的机器学习模型，由于忽略了可能很重要的小类，会导致学习模型的训练性能损失，使得模型在测试阶段既不能有效拟合来自不足训练样本的类别，也不能很好地泛化。

技术实现思路

[0005]有鉴于此，为至少部分解决上述技术问题或者缺陷之一，本专利技术实施例的目的在于提供一种面向边缘学习的多用户调度方法，用于提高无线资源利用率和学习准确率；此外，实施例还提供了能够实现这一方法的系统以及存储介质。
[0006]一方面，本申请技术方案提供了一种面向边缘学习的多用户调度方法，包括以下步骤：
[0007]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；
[0008]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；
[0009]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；
[0010]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；
[0011]基于所述用户集合，选择目标用户进行数据传输。
[0012]在本申请方案的一种可行的实施例中，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：
[0013]根据通信模型在虚拟空间中构建得到第一模型；
[0014]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；
[0015]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；
[0016]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。
[0017]在本申请方案的一种可行的实施例中，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：
[0018]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；
[0019]根据所述本地数据集的数据集大小确定所述经验风险，根据所述经验风险近似描述所述第二模型；
[0020]在近似描述所述第二模型中，使得所述经验风险一致收敛得到所述期望风险。
[0021]在本申请方案的一种可行的实施例中，所述第二模型的学习过程包括：
[0022]获取历史数据中的目标类别数据的期望概率；
[0023]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；
[0024]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。
[0025]在本申请方案的一种可行的实施例中，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：
[0026]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；
[0027]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；
[0028]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；
[0029]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。
[0030]在本申请方案的一种可行的实施例中，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：
[0031]根据所述多用户迭代选择算法对所述第二表达式进行简化，得到所述调度用户的第三表达式；
[0032]对所述第三表达式进行求解，根据求解结果确定所述调度用户，根据所述调度用户对所述用户集合进行迭代更新。
[0033]所述第三表达式如下：
[0034][0035]其中，s1表示所述调度用户，为候选用户的集合，u表示候选用户，I
u
表示候选用户的数据重要性指标，P
t
/σ2为信噪比，h
u
表示候选用户的信道状态信息，上标H表示表示取
共轭转置。
[0036]在本申请方案的一种可行的实施例中，所述基于所述用户集合，选择目标用户进行数据传输，包括：
[0037]确定待传输的目标数据集，所述目标数据集包括若干个数据样本的向量表示；
[0038]对所述向量表示进行调制，得到标签符号；
[0039]根据所述向量表示的维度确定传播时隙；
[0040]根据所述标签符号以及所述传播时隙构建得到符号块，通过所述符号块进行数据传输。
[0041]在本申请方案的一种可行的实施例中，所述基于所述用户集合，选择目标用户进行数据传输，还包括：
[0042]根据发射功率确定最大瞬时功率约束；
[0043]根据所述信道状态信息以及所述发射功率构建破零矩阵，根据所述破零矩阵、所述信道状态信息以及所述最大瞬时功率约束对通过所述符号块进行数据传输的信号进行处理得到恢复信号；
[0044]确定数据的恢复误差，根据所述恢复误差以及所述恢复信号还原得到用户数据；
[0045]所述恢复信号满足如下计算公式：
[0046][0047]其中，表征恢复信号；表示取复数的实部；是处理后的噪声；Z是独立同分布的加性高斯白噪声；H表征信道状态信息；C为破零矩阵；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：