【技术实现步骤摘要】
本专利技术涉及通信辅助，特别是一种基于深度学习的语义通信辅助边缘计算网络及其任务卸载方法。
技术介绍
1、近年来，随着物联网、智能驾驶和工业互联网等技术的快速发展，边缘计算因其低延迟、高可靠的特点成为支撑实时性应用的关键技术。然而，传统的边缘计算系统在数据传输过程中仍面临通信开销大、带宽利用率低等问题，尤其在处理图像、视频等高维数据时，原始数据传输方式导致显著的网络拥塞和能耗增加。
2、语义通信技术通过提取和传输数据的语义信息而非原始数据，可有效减少通信冗余，提升传输效率。近年来，深度学习在语义编码与解码方面取得了重要进展，使得语义通信在文本、语音和视觉数据传输中展现出显著优势。然而，现有语义通信技术多聚焦于端到端的通信优化，未能充分考虑边缘计算场景下的任务卸载需求，特别是在动态网络环境和异构计算资源下的适应性不足。
3、在边缘计算网络中，任务卸载策略直接影响系统性能和用户体验。传统卸载方法通常基于原始数据传输，未充分利用语义信息的高效表征能力，导致通信资源浪费和计算延迟增加。此外，现有方案缺乏对语义压缩与边缘计...
【技术保护点】
1.一种基于深度学习的语义通信辅助边缘计算网络，其特征在于：包括由个终端组成的系统，所述为正整数，每个终端对应的生成任务输入数据为，表示终端对应的生成任务的计算位置，0表示在本地进行计算，1表示卸载到边缘服务器进行计算，表示终端的生成任务是否进行语义提取，0表示不进行语义提取（此时提取因子值为1），1表示进行语义提取。
2.根据权利要求1所述的基于深度学习的语义通信辅助边缘计算网络，其特征在于：所述系统包括：语义编码模块，用于提取任务数据的语义特征并生成压缩编码；卸载决策模块，用于执行权利要求1中的步骤S1-S5；资源调度模块，根据卸载决策结果分配边缘计算
...
【技术特征摘要】
1.一种基于深度学习的语义通信辅助边缘计算网络，其特征在于：包括由个终端组成的系统，所述为正整数，每个终端对应的生成任务输入数据为，表示终端对应的生成任务的计算位置，0表示在本地进行计算，1表示卸载到边缘服务器进行计算，表示终端的生成任务是否进行语义提取，0表示不进行语义提取（此时提取因子值为1），1表示进行语义提取。
2.根据权利要求1所述的基于深度学习的语义通信辅助边缘计算网络，其特征在于：所述系统包括：语义编码模块，用于提取任务数据的语义特征并生成压缩编码；卸载决策模块，用于执行权利要求1中的步骤s1-s5；资源调度模块，根据卸载决策结果分配边缘计算资源。
3.根据权利要求2所述的基于深度学习的语义通信辅助边缘计算网络，其特征在于：所述资源调度模块采用加权轮...
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。