一种基于云无线接入网的云边协同智能推理方法及系统技术方案

本说明书公开一种基于云无线接入网的云边协同智能推理方法及系统，其中该方法，适于配置在边缘设备、射频拉远单元以及中央控制器上执行，包括：通过多种传感器采集边缘设备周围的环境数据，在边缘设备处利用主成分分析法对环境数据进行特征提取，得到特征向量；将所有边缘设备的特征向量通过空中计算技术同时同频向射频拉远单元进行传输，在射频拉远单元处对所述特征向量进行上行链路特征聚合并进行量化，然后将量化后的聚合的特征向量发送给中央控制器；中央控制器接收到聚合的特征向量，解析聚合的特征向量的概率密度函数并构建分类判别增益，基于构建的分类判别增益对聚合的特征向量进行识别，得到识别结果并做出推理任务的决策。任务的决策。任务的决策。

【技术实现步骤摘要】
一种基于云无线接入网的云边协同智能推理方法及系统


[0001]本专利技术涉及无线通信
，具体而言，涉及一种基于云无线接入网的云边协同智能推理方法及系统。

技术介绍

[0002]无线通信网络正在迎来从“人联”、“物联”走向“万物智联”的变革，对于支持多样化智能服务（如自动驾驶、智慧城市、远程医疗）的需求也日益增加，在此背景之下，边缘推理技术应运而生。边缘推理是指将训练完善的人工智能模型下放到通信网络边缘，利用模型的推理能力来做出各种智能决策。目前边缘推理共有三种实现方案：一、只在设备端执行推理任务 二、只在云端执行推理任务 三、云边协同推理。然而，前两种方案要么由于硬件限制，难以承担密集的计算任务，要么受限于将数据发送到云端将引入严重的通信开销，实际部署都面临一定的困难。相比之下，采用云边协同推理方案则较好地权衡了计算效率和通信开销之间的矛盾。具体而言，云边协同推理将人工智能模型划分为两部分：一小部分部署在设备端用于从原始数据中提取特征，这部分通常涉及较少的计算；而计算密集的部分则部署在云端，以接收来自边缘设备端提取的特征并完成剩余的推理任务。此外，由于采取避免高维原始数据直接传输的策略，云边协同推理还额外获益于数据隐私保护的优势。
[0003]然而，当前有关云边协同推理的研究仍主要集中在单个边缘设备参与推理的方案上，这种方案无法保证推理性能。因为单个边缘设备提取的特征要么集中在一个狭窄的视角，无法提供足够的信息来完成推断任务；要么提取特征的数据本身就可能受到严重的失真缺陷。为了克服这种单设备有限感知能力的问题，部署多个边缘设备以改善推理性能成为必然选择。然而，目前业界边缘推理系统的实现并未考虑支持多设备部署的实际无线接入网络架构，尤其是针对面向多小区，支持海量用户连接的业务场景。因此，亟需一种灵活的无线接入网络架构来解决边缘推理系统实际部署中密集部署接入节点所导致的能耗大幅增加以及接入节点间相互干扰的问题。
[0004]综上所述，本专利技术旨在提供一种解决边缘推理技术中现有问题的新方法，该方法将支持多设备部署的灵活无线接入网络架构与云边协同推理相结合，以实现高效的智能决策服务，并进一步提升边缘推理系统在各种智能服务场景下的应用潜力。

技术实现思路

[0005]本说明书提供一种基于云无线接入网的云边协同智能推理方法及系统，用以克服相关技术中存在的至少一个技术问题。
[0006]根据本说明书实施例的第一方面，提供一种基于云无线接入网的云边协同智能推理方法，适于配置在边缘设备、射频拉远单元以及中央控制器上执行，包括：通过多种传感器采集边缘设备周围的环境数据，在边缘设备处利用主成分分析法对环境数据进行特征提取，得到用于推理任务的特征向量；所述环境数据包括温度、湿度、光照的物理参数的测量值，所述主成分分析法用于降低数据的维度并提取数据的主要特
征；将所有边缘设备的特征向量通过空中计算技术同时同频向射频拉远单元进行传输，以在射频拉远单元处对所述特征向量进行上行链路特征聚合，得到聚合的特征向量；在射频拉远单元处将聚合的特征向量进行量化，然后将量化后的聚合的特征向量发送给中央控制器；根据中央控制器从射频拉远单元处接收的聚合的特征向量，解析聚合的特征向量的概率密度函数并构建分类判别增益，基于构建的分类判别增益对聚合的特征向量进行识别，得到识别结果并做出推理任务的决策。
[0007]可选的，所述的通过多种传感器采集边缘设备周围的环境数据，在边缘设备处利用主成分分析法对环境数据进行特征提取，得到用于推理任务的特征向量的步骤，包括：通过多种传感器采集边缘设备周围的环境数据；利用主成分矩阵对环境数据进行特征提取，得到特征向量，进而根据特征向量得到特征向量的分布。
[0008]可选的，所述的通过多种传感器采集边缘设备周围的环境数据；利用主成分矩阵对环境数据进行特征提取，得到特征向量，进而根据特征向量得到特征向量的分布的步骤，包括：通过多种传感器采集边缘设备周围的环境数据，编号为的边缘设备周围获取的环境数据为；其中，是真值的传感数据，是和传感数据同样维度的感知失真即噪声向量，其中是一个对角协方差矩阵；利用主成分矩阵对环境数据进行特征提取，得到特征向量：其中，投影后的噪声向量分布仍然不变，即；假设真值的传感数据是类高斯分布的混合，则真值传感数据的概率密度函数表示为：；其中，是第类的质心，并且每一类都带着同样的协方差矩阵；基于真值传感数据和噪声向量的分布，每个边缘设备提取到的特征向量的分布被导出为。
[0009]可选的，所述的将所有边缘设备的特征向量通过空中计算技术同时同频向射频拉远单元进行传输，以在射频拉远单元处对所述特征向量进行上行链路特征聚合，得到聚合的特征向量的步骤包括：利用无线多址信道的波形叠加性质，将所有边缘设备的特征向量同时同频传输至射频拉远单元，以对所述特征向量进行上行链路特征聚合，得到聚合的特征向量。
[0010]可选的，所述的利用无线多址信道的波形叠加性质，将所有边缘设备的特征向量同时同频传输至射频拉远单元，以对所述特征向量进行上行链路特征聚合，得到聚合的特征向量的步骤，包括：利用无线多址信道的波形叠加性质，将所有边缘设备的特征向量同时同频传输至射频拉远单元，在第个时隙，在第个射频拉远单元处接收的聚合的特征向量为；其中，是边缘设备和射频拉远单元之间的信道系数，其中是在每个射频拉远单元上的天线数，是边缘设备端的待设计的传输标量，即发送预编码，是设备待传输的符号,表示在射频拉远单元上接收的加性高斯白噪声，表示高斯白噪声的噪声功率；在每个边缘设备传输的过程中，须满足以下传输功率约束：其中，是边缘设备端的待设计的传输标量，即发送预编码，表示设备的最大传输功率限制，是设备待传输的符号；由于传输信号的方差根据离线的数据样本估计，因此优化的传输功率约束为：此外，每个边缘设备在所有时隙的能量消耗服从能量约束项：；其中，表示总的能量约束，是每次空中计算聚合的持续时长，是边缘设备端的待设计的传输标量，即发送预编码，是设备待传输的符号。
[0011]可选的，所述的在射频拉远单元处将聚合的特征向量进行量化，然后将量化后的聚合的特征向量发送给中央控制器的步骤，包括：在每个射频拉远单元接收到聚合的特征向量元素后，对聚合的特征向量执行量化操作后，再传输给中央控制器，量化操作被表征为其中， 表示量化噪声，其中是由于独立量化方案引入的量化误差的对角协方差矩阵，作为算法待优化的量；基于率失真理论，在第个时隙所有射频拉远单元向中央控制器的传输速率满足
；其中，是级联的信道状态信息，是上行链路的量化协方差矩阵，是边缘设备端的待设计的传输标量，即发送与编码，表示在射频拉远单元m上接收的加性高斯白噪声的噪声功率，表示所有边缘设备传输功率约束中最大的传输功率，表示射频拉远单元和中央控制器之间的前传容量限制。
[0012]可选的，所述的根据中央控制器从射频拉远单元处接收的聚合的特征向量，解析聚合的特征向量的概率密度函数并构建分类判别增益，基于构建的分类判别增益对聚合的特征向量进行识别，得到识别结果并做出推理任本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于云无线接入网的云边协同智能推理方法，其特征在于，适于配置在边缘设备、射频拉远单元以及中央控制器上执行，包括：通过多种传感器采集边缘设备周围的环境数据，在边缘设备处利用主成分分析法对环境数据进行特征提取，得到用于推理任务的特征向量；所述环境数据包括温度、湿度、光照的物理参数的测量值，所述主成分分析法用于降低数据的维度并提取数据的主要特征；将所有边缘设备的特征向量通过空中计算技术同时同频向射频拉远单元进行传输，以在射频拉远单元处对所述特征向量进行上行链路特征聚合，得到聚合的特征向量；在射频拉远单元处将聚合的特征向量进行量化，然后将量化后的聚合的特征向量发送给中央控制器；根据中央控制器从射频拉远单元处接收的聚合的特征向量，解析聚合的特征向量的概率密度函数并构建分类判别增益，基于构建的分类判别增益对聚合的特征向量进行识别，得到识别结果并做出推理任务的决策。2.根据权利要求1所述的方法，其特征在于，所述的通过多种传感器采集边缘设备周围的环境数据，在边缘设备处利用主成分分析法对环境数据进行特征提取，得到用于推理任务的特征向量的步骤，包括：通过多种传感器采集边缘设备周围的环境数据；利用主成分矩阵对环境数据进行特征提取，得到特征向量，进而根据特征向量得到特征向量的分布。3.根据权利要求2所述的方法，其特征在于，所述的通过多种传感器采集边缘设备周围的环境数据；利用主成分矩阵对环境数据进行特征提取，得到特征向量，进而根据特征向量得到特征向量的分布的步骤，包括：通过多种传感器采集边缘设备周围的环境数据，编号为的边缘设备周围获取的环境数据为；其中，是真值的传感数据，是和传感数据同样维度的感知失真即噪声向量，其中是一个对角协方差矩阵；利用主成分矩阵对环境数据进行特征提取，得到特征向量：；其中，投影后的噪声向量分布仍然不变，即；假设真值的传感数据是类高斯分布的混合，则真值传感数据的概率密度函数表示为：；其中，是第类的质心，并且每一类都带着同样的协方差矩阵；基于真值传感数据和噪声向量的分布，每个边缘设备提取到的特征向量的分布被导出为。4.根据权利要求1所述的方法，其特征在于，所述的将所有边缘设备的特征向量通过空
中计算技术同时同频向射频拉远单元进行传输，以在射频拉远单元处对所述特征向量进行上行链路特征聚合，得到聚合的特征向量的步骤包括：利用无线多址信道的波形叠加性质，将所有边缘设备的特征向量同时同频传输至射频拉远单元，以对所述特征向量进行上行链路特征聚合，得到聚合的特征向量。5.根据权利要求4所述的方法，其特征在于，所述的利用无线多址信道的波形叠加性质，将所有边缘设备的特征向量同时同频传输至射频拉远单元，以对所述特征向量进行上行链路特征聚合，得到聚合的特征向量的步骤，包括：利用无线多址信道的波形叠加性质，将所有边缘设备的特征向量同时同频传输至射频拉远单元，在第个时隙，在第个射频拉远单元处接收的聚合的特征向量为；其中，是边缘设备和射频拉远单元之间的信道系数，其中是在每个射频拉远单元上的天线数，是边缘设备端的待设计的传输标量，即发送预编码，是设备待传输的符号，表示在射频拉远单元上接收的加性高斯白噪声，表示高斯白噪声的噪声功率；在每个边缘设备传输的过程中，须满足以下传输功率约束：；其中，是边缘设备端的待设计的传输标量，即发送预编码，表示设备的最大传输功率限制，是设备待传输的符号;由于传输信号的方差根据离线的数据样本估计，因此优化的传输功率约束为：；此外，每个边缘设备在所有时隙的能量消耗服从能量约束项：；其中，表示总的能量约束，是每次空中计算聚合的持续时长，是边缘设备端的待设计的传输标量，即发送预编码，是设备待传输的符号。6.根据权利要求1所述的方法，其特征在于，所述的在射频拉远单元处将聚合的特征向量进行量化，然后将量化后的聚合的特征向量发送给中央控制器的步骤，包括：在每个射频拉远单元接收到聚合的特征...

【专利技术属性】
技术研发人员：李向东，石远明，
申请(专利权)人：北京光函数科技有限公司，
类型：发明
国别省市：