基于预测的动态频谱共享方法技术

本发明专利技术公开一种基于预测的动态频谱共享方法，应用于无线通信技术领域，针对现有技术中边缘服务器分配频谱资源不合理，从而导致频谱资源分配过多而造成频谱浪费或者频谱资源分配不足而造成用户数据传输请求完成时间过长的问题；本发明专利技术在边缘服务器基于神经网络对于未来用户数据传输需求进行预测，并将这个预测结果用于宏基站中的频谱分配策略中，在满足总的频谱资源有限的约束下，使得整个网络状态良好；采用本发明专利技术的方法可以实现较好的QoS、较高的频谱效率、较低的能源消耗。较低的能源消耗。较低的能源消耗。

【技术实现步骤摘要】
基于预测的动态频谱共享方法


[0001]本专利技术属于无线通信
，特别涉及一种频谱共享技术。

技术介绍

[0002]频谱共享技术是解决频谱资源利用率不高、频谱资源不足的技术。频谱资源是有限的，但是面临着用户数量的增长，不可能给所有的用户都分配一定的专用的频谱，仅由一用户独自使用。因此提出了频谱共享技术，让不同的用户在不同时间分别使用这一频谱资源，这一技术的出现在一定程度上提高了频谱资源的利用率，解决了频谱资源不足的问题。
[0003]在超密度用户数、高频度用户数据传输请求的通信网络中，面对如此频繁且庞大的数据请求，宏基站想要快速做好最优的频谱分配，使得整个网络的运行状态良好存在困难。因此，设计一个能够预测未来若干时刻某一个边缘服务层中用户数据传输需求或任务卸载请求的神经网络可以有效解决宏基站难以做出最优频谱分配策略的问题，使得整个网络中的用户服务质量(Quality of Service,QoS)良好，频谱效率高，能源消耗低。
[0004]神经网络技术的特点主要有自学习和自适应性、非线性等。神经网络主要是根据数据信息不断学习调整神经元之间的权值从而达到数据建模的目的，并利用它的非线性逼近性能去解决实际问题并取得较好的预测结果。因此，神经网络技术被用于边缘服务层中，根据收集到的历史以及实时的用户数据传输请求或任务卸载请求的数据，不断地对未来若干时刻的用户数据传输需求进行实时预测。
[0005]长短期记忆模型(LSTM)是循环神经网络(RNN)的一种改良模型，它最主要解决了RNN存在长期依赖的问题，使用LSTM可以有效传递和表达长时间序列中的信息并且不会导致长时间前有用的信息被遗忘。同时LSTM也能解决RNN中存在的梯度爆炸和梯度消失的问题。由此，LSTM技术可以学习短期和长期的依赖关系，能应用于对用户传输请求或任务卸载请求的预测。
[0006]强化学习技术是机器学习领域之一，主要关注从环境中获取知识，提升做决策的能力来适应环境并做出一系列的决策使得智能体能够获得的累计奖励最大化。强化学习不同于监督学习和非监督学习，它不需要任何给定的数据，而是通过智能体与环境的交互，在探索和利用之间权衡，一方面探索着环境扩大行动空间，另外一方面利用已有知识来获取收益，如此的过程不断重复，最终得到一个最优的决策，能够使得累计奖励最大。基于以上的特点，该技术常用于解决决策优化类的问题。因此采用强化学习技术可以帮助宏基站找到一个最佳的策略来进行频谱资源分配。
[0007]目前针对频谱共享的预测应用主要有以下几个方面：
[0008](1)利用同构理论概念进行无人机通信的时空频谱预测(参考文献：S.Luo,Y.Zhao,Y.Xiao,R.Lin and Y.Yan,"A temporal
‑
Spatial Spectrum Prediction Using the Concept of Homotopy theory for UAV Communications,"in IEEE transactions on Vehicular technology,vol.70,no.4,pp.3314
‑
3324,April 2021,doi:10.1109/tVt.2021.3062462.)：该文提出了无人机基于频谱共享进行通信，需要有效的频谱预测来
提高频谱感知的性能问题。该文提出了一种无人机预测下一时刻下一个地点的频谱，基于同构理论和隐马尔科夫模型解决了无人机通常不可能提前获得下一个地点的历史数据的挑战，实验表明该文提出的方法能够有效预测下一个地点的频谱状态。
[0009](2)用在基于长短期记忆的马尔科夫频谱预测中的一种快速学习的改进初始化方法(参考文献：N.Radhakrishnan and S.Kandeepan,"An Improved Initialization Method for Fast Learning in Long Short
‑
term Memory
‑
Based Markovian Spectrum Prediction,"in IEEE transactions on Cognitive Communications and Networking,vol.7,no.3,pp.729
‑
738,Sept.2021,doi:10.1109/tCCN.2020.3046330.)：该文提出了基于长短期记忆系统模型的新型初始化方法，用这种初始化方法可以大大改善基于长短期记忆模型的频谱预测的训练收敛。
[0010](3)利用时间和频率的关联性的基于深度强化学习的频谱占用预测(参考文献：M.A.Ayg
ü
l,M.Nazzal and H.Arslan,"Deep RL
‑
Based Spectrum Occupancy Prediction Exploiting time and Frequency Correlations,"2022IEEE Wireless Communications and Networking Conference(WCNC),2022,pp.2399
‑
2404,doi:10.1109/WCNC51071.2022.9771702.)：该文采用了强化学习的办法，定义了深度强化学习设置的奖励函数及其状态和动作空间，使算法适应用在现实世界环境中以在线方式动态工作，实验验证了该算法在预测实际频谱测量中频谱占用的能力，并且该算法可以最大限度地减少内存需求，同时减少对标记数据集的需求。
[0011]在超密度用户数、高频度用户数据传输请求的通信网络中宏基站给其覆盖范围中的边缘服务器分配频谱资源不合理，从而导致频谱资源分配过多而造成频谱浪费或者频谱资源分配不足而造成用户数据传输请求完成时间过长的情况，而这两种情况都会导致整个网络的QoS、频谱效率、能源消耗情况处于糟糕的状态。

技术实现思路

[0012]为解决上述技术问题本专利技术提出一种基于预测的动态频谱共享方法，应用了神经网络技术实现了对位于不同边缘服务器覆盖下未来若干时隙用户数据传输需求的预测，应用了强化学习技术找到了一个最优的频谱分配策略。神经网络对于未来用户数据传输需求的预测可以帮助宏基站提前了解接下来不同边缘服务器对于频谱资源的需求，而强化学习找到的最优频谱分配策略可以以一种合理的方式分配有限的频谱资源。并且边缘服务器基于用户传输状态可以感知当前空闲的频谱资源，对空闲的频谱资源加以利用，提高频谱效率。本专利技术可以实现较好的QoS、较高的频谱效率、较低的能源消耗。
[0013]本专利技术采用的技术方案为：基于预测的动态频谱共享方法，基于的应用场景包括：宏基站、宏基站覆盖范围内的边缘服务器、边缘服务器覆盖范围内的用户；在总的频谱资源为固定值的情况下；所述共享方法具体包括以下步骤：
[0014]A1、边缘服务器根据其覆盖范围内用户的历史真实数据传输本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于预测的动态频谱共享方法，其特征在于，基于的应用场景包括：宏基站、宏基站覆盖范围内的边缘服务器、边缘服务器覆盖范围内的用户；在总的频谱资源为固定值的情况下；所述共享方法具体包括以下步骤：A1、边缘服务器根据其覆盖范围内用户的历史真实数据传输请求或任务卸载请求数据，进行其神经网络模型的训练；A2、边缘服务器根据其覆盖范围内的用户的历史真实数据传输请求或任务卸载请求数据，得到边缘服务器的历史真实需求；A3、宏基站根据其覆盖范围内的各边缘服务器的历史真实需求，对强化学习模型进行训练；A4、边缘服务器根据训练完成的神经网络模型预测下一时刻用户数据传输请求或任务卸载请求，从而得到边缘服务器的预测需求；A5、宏基站基于其覆盖范围内的各边缘服务器的预测需求，采用强化学习模型训练过程中找到的最优的频谱分配决策为宏基站覆盖范围内的边缘服务器进行频谱分配；A6、在下一时刻，边缘服务器根据步骤A5已分配的频谱资源，基于下一时刻用户实时的数据传输请求或任务卸载请求数据，为每条通信链路分配带宽。2.根据权利要求1所述的基于预测的动态频谱共享方法，其特征在于，步骤A3中定义强化学习模型的智能体为宏基站，状态为宏基站在时隙t给各边缘服务器对于用户数据请求或任务卸载请求的预测结果，动作为宏基站给所有的边缘服务器分配频谱，奖励为整个网络中的能源损耗、用户QoS以及频谱效率的综合考虑；智能体根据状态和一定的策略做出一个动作，进入新的状态，同时得到一个奖励；智能体的目的是获得最大的累计奖励，从而找到一个最优的策略使得累计奖励最大。3.根据权利要求2所述的基于预测的动态频谱共享方法，其特征在于，步骤A4中边缘服务器的预测需求计算公式为：式中，为t+1时隙边缘服务器S
N
覆盖范围中用户数据传输请求或任务卸载的预测值，n
t+1
为噪声，Y
t,N
,Y
t
‑
1,N
,
…
,Y
t
‑
k,N
表示在边缘服务器S
N
中预测模型的输入值，其中Y
t,N
为当前时刻t的实时采集数据，Y
t
‑
1,N<...

【专利技术属性】
技术研发人员：张科，赵睿溪，陈明祯，解晋，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：