一种无线供能网络中计算任务卸载的带宽分配方法及装置

1.本技术属于带宽分配技术领域，尤其涉及一种无线供能网络中计算任务卸载的带宽分配方法及装置。


背景技术：

2.随着物联网(iot)技术的快速发展，极大的提高了工业的效率和人们的生活质量。各种物联网无线设备的增加也带来了许多挑战，传统的物联网无线设备通常使用小型的电池或者有线的方式进行供电，如各种传感器和健康监测设备。但在很多情况下为无线设备更换电池或者持续供电的成本很大。因此，为了解决物联网设备寿命有限的问题，延长网络的使用时间，使用射频能量为物联网无线设备供电成为了很好的解决方案，其能够为物联网无线设备提供稳定的能量供应。同时，诸如增强现实、实时监控和目标检测等计算密集型和延迟敏感型的物联网应用越来越广泛，但由于物联网无线设备自身有限的计算资源限制，使得该类物联网应用难以广泛应用。移动边缘计算(mec)则是为物联网无线设备提供额外计算资源的一个很好的解决方案。与传统的云计算相比，边缘服务器(ecs)更靠近物联网无线设备，通信延迟更低。
3.在边缘计算网络中，需要考虑无线设备和边缘服务器的卸载策略，如总带宽分配等，这将直接导致一个网络是否高效。其中每个物联网无线设备都遵循部分卸载策略，即可以对无线设备的计算任务进行拆分，即将部分计算任务卸载到边缘服务器中。而评估一个网络是否高效有很多指标，如计算速率，最大时延和最小能耗等。
4.目前大部分边缘计算带宽分配方法大多都使用传统的优化方法，其通常需要经过多次迭代才能得到最优或者近似最优解，从而消耗了太多的时间，这对于时延敏感型的边缘计算应用则无疑是难以接受的。


技术实现要素：

5.本技术的目的是提供一种无线供能网络中计算任务卸载的带宽分配方法及装置，用于克服以上技术难点，达到较高的计算速率。
6.为了实现上述目的，本技术技术方案如下：
7.一种无线供能网络中计算任务卸载的带宽分配方法，包括：
8.根据预设的时间帧采集与边缘服务器通信的所有无线设备的信道增益作为样本数据；
9.搜索每个时间帧样本数据对应的最优带宽比例分配方案，并计算所有无线设备通信所占总带宽比例，形成最终的样本数据；
10.采用样本数据训练构建好的神经网络模型；
11.将训练好的神经网络模型部署到边缘服务器，获取当前所有无线设备的信道增益，输入到神经网络模型中，得到每个无线设备的通信所占带宽比例，按照得到的带宽比例为每个无线设备分配带宽。
12.进一步的，所述神经网络模型包括三个全连接层及一个分类层，所述前两个全连接层有128个神经元，第三个全连接层有10个神经元，每个全连接层的激活函数为sigmoid函数。
13.进一步的，所述搜索每个时间帧样本数据对应的最优带宽比例分配方案，包括：
14.对于任意一个时间帧样本数据，按照预设的步长为无线设备设定带宽分配比例，找出所有分配方案；
15.计算分配方案对应的最优计算速率；
16.在所有分配方案中找出最优计算速率最大的分配方案，作为最优带宽比例分配方案。
17.进一步的，所述计算分配方案对应的最优计算速率，包括：
18.第j个时间帧下，对于分配方案xj＝{x
j,1
,x
j,2
,
…
,x
j,m
}，计算速率公式为：
[0019][0020]
其中a为无线供能时长，b为总带宽，v为数据卸载能力转化为计算速率的比率，μ为能量吸收效率，n0为噪声功率，h
j,i
为第i个无线设备的信道增益，p为射频能量的发射功率，m为无线设备数量；
[0021]
当带宽比例分配方案x给定时，q转化为一个关于a的凸问题，使用点法等已有求解凸优化问题的方法来得到在带宽比例分配xj下的最优的计算速率q
*
。
[0022]
本技术还提出了一种无线供能网络中计算任务卸载的带宽分配装置，包括处理器以及存储有若干计算机指令的存储器，所述计算机指令被处理器执行时实现所述无线供能网络中计算任务卸载的带宽分配方法的步骤。
[0023]
本技术提出的一种无线供能网络中计算任务卸载的带宽分配方法及装置，相比于传统的优化方法，利用训练好的神经网络模型能够在使用fdma的通信方式和部分卸载模式下的边缘计算网络中快速决策出带宽分配方案，同时也达到较高的网络计算速率。
附图说明
[0024]
图1为边缘计算网络示意图；
[0025]
图2为本技术无线供能网络中计算任务卸载的带宽分配方法流程图；
[0026]
图3为本技术实施例神经网络模型结构示意图。
具体实施方式
[0027]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本技术，并不用于限定本技术。
[0028]
本技术提供的一种无线供能网络中计算任务卸载的带宽分配方法，可以应用于如图1所示的应用环境中。边缘服务器即可以为物联网无线设备提供额外计算资源，又能够为物联网无线设备提供稳定的能量供应。
[0029]
本技术通过大量样本来训练神经网络，最终得到一个关于带宽分配决策的神经网络模型，并将其部署在边缘服务器，与传统的解优化方法相比具有更低的延时，以适应时延
敏感型的边缘计算应用，同时得到较高的网络计算速率。适用于在使用正交频分多址接入(ofdma)的通信方式和部分卸载模式下，快速决策出无线能量传输(wpt)边缘计算网络的总带宽分配方案，以达到较高的计算速率。
[0030]
在一个实施例中，如图2所示，提供了一种无线供能网络中计算任务卸载的带宽分配方法，包括：
[0031]
步骤s1、根据预设的时间帧采集与边缘服务器通信的所有无线设备的信道增益作为样本数据。
[0032]
对于一个由一个边缘服务器和m个无线设备构成的无线能量传输边缘计算网络，以下以m等于10为例进行说明。该网络中的所有设备都仅有一根天线，且通过ofdma来进行通信，在该网络中的总带宽为b。
[0033]
采集10000个时间帧下的信道增益样本，第j个信道增益样本数据为第j个时间帧下10个无线设备的信道增益，表示为hj＝[h
j,1
,h
j,2
,
…
,h
j,10
]，hj,i表示第j个时间帧下第i个无线设备的信道增益，其中j＝1,2,
…
,10000，i＝1,2,
…
,10。采集样本数量的多少，本技术不做限制，为了较好的训练神经网络模型，样本数量大于5000。
[0034]
本实施例中，时间帧的时间长度可以为1秒，或0.9秒等，时间帧的长度的设定为根据实际需要来设定。
[0035]
步骤s2、搜索每个时间帧样本数据对应的最优带宽比例分配方案，并计算所有无线设备通信所占总带宽比例，形成最终的样本数据。
[0036]
在一个具体的实施例中，使用一维穷搜索来找到较优的带宽分配比例，即在第j个时间帧下，为信道增益hj计算第i个无线设备的通信带宽分配比例x
j,i
，其中j＝1,2,
…
,10000，i＝1,2,
…
,10，且必须满足x
j,1
+x
j,2
+
…
+x
j,10
小于等于1，包括如下步骤：
[0037]
步骤s2.1、对于任意一个时间帧样本数据，按照预设的步长为无线设备设定带宽分配比例，找出所有分配方案。
[0038]
例如，在第j个时间帧下，每个无线设备的带宽分配比例x，按0.01为步长在[0,1]中取值，即x的取值范围为[0,0.01,0.02,
…
,0.98,0.99,1]，对10个无线设备的带宽分配比例取值的所有可能进行组合，得到100
10
种无线设备的带宽比例分配方案，若某带宽比例分配方案x
j,1
+x
j,2
+
…
+x
j,10
的值小于等于1，则该方案为可行方案，否则为不可行方案。
[0039]
步骤s2.2、计算分配方案对应的最优计算速率。
[0040]
第j个时间帧下，对于某个可行的带宽比例分配方案xj＝{x
j,1
,x
j,2
,
…
,x
j,m
}，边缘计算网络的计算速率公式为：
[0041][0042]
其中a为无线供能时长，b为总带宽，v为数据卸载能力转化为计算速率的比率，μ为能量吸收效率，n0为噪声功率，h
j,i
为第i个无线设备的信道增益，p为射频能量的发射功率。边缘服务器给无线设备发送射频能量，即给无线设备进行充能，p即为充能时的发射功率，m为无线设备数量。q(xj,a)即为计算速率，也用q表示。
[0043]
当带宽比例分配方案x给定时，q转化为一个关于a的凸问题，使用点法等已有求解凸优化问题的方法来得到在带宽比例分配xj下的最优的计算速率q
*
。
[0044]
步骤s2.3、在所有分配方案中找出最优计算速率最大的分配方案，作为最优带宽
比例分配方案。
[0045]
对步骤s2.1中得到的所有可行方案，按步骤2.2计算出最优的q
*
，而在所有可行方案的q
*
中最大的q
*
所对应的带宽比例分配x
*
即为在当前信道增益hj的带宽比例分配方案。
[0046]
然后对采集到的10000个时间帧下的信道增益样本，计算得出第j个时间帧下的10个无线设备的通信所占总带宽比例xj，xj作为第j个时间帧下信道增益样本hj的标签，其中j＝1,2,
…
,10000，10000个样本和标签用于后续的神经网络模型训练。
[0047]
需要说明的是，本技术找到较优的带宽分配比例，除了上述一维穷搜索方法外，还可使用迭代求解的方法来进行搜索，这里不再赘述。
[0048]
步骤s3、采用样本数据训练构建好的神经网络模型。
[0049]
本实施例构建好的神经网络模型如图3所示，包括三个全连接层及一个分类层(softmax)。
[0050]
前两个全连接层有128个神经元，第三个全连接层有10个神经元，每个全连接层的激活函数为sigmoid函数：
[0051][0052]
第三个全连接层输出一个长度为10的向量z＝[z1,z2,
…
,z
10
]，将该向量输入到一个softmax层，其包含10个神经元且激活函数为：
[0053][0054]
通过softmax层计算后得到每个无线设备的通信所占总带宽比例x＝{x1，x2，
…
，x
10
}，且x1+x2+
…
+x
10
＝1，其中xi表示在当前信道增益h下第i个无线设备的通信带宽分配。
[0055]
在训练时，该神经网络模型的输入为10个无线设备的信道增益h，输出为每个无线设备的通信所占总带宽比例。神经网络的训练，在本技术领域，是比较成熟的技术，这里不再赘述。
[0056]
需要说明的是，对于采集到的样本和标签，在训练网络模型时，将样本集中的7000用作训练集，3000用作验证集，即使用训练集对网络模型进行训练，使用验证集对训练完成的网络模型进行验证。
[0057]
步骤s4、将训练好的神经网络模型部署到边缘服务器，获取当前所有无线设备的信道增益，输入到神经网络模型中，得到每个无线设备的通信所占带宽比例，按照得到的带宽比例为每个无线设备分配带宽。
[0058]
在训练好神经网络模型后，将其部署到边缘服务器中。边缘服务器可以与各个无线设备通信，获取无线设备的信道增益。也可以通过发送数据包来获取无线设备的信道增益。
[0059]
从而，对于下一个时间帧所需要采用的带宽分配方案，将获取的无线设备的信道增益，输入到神经网络模型中，得到每个无线设备的通信所占带宽比例，按照得到的带宽比例为每个无线设备分配带宽。
[0060]
例如，在一个全新的时间帧下，先获取到该时间帧的10个无线设备的信道增益h，然后将h输入到训练好的神经网络模型中，模型输出每个无线设备的通信所占总带宽比例x＝{x1，x2，
…
，x
10
}，xib就是在当前时间帧的信道增益h下分配给第i个无线设备的带宽。
[0061]
在另一个实施例中，本技术还提供了一种无线供能网络中计算任务卸载的带宽分配装置，包括处理器以及存储有若干计算机指令的存储器，所述计算机指令被处理器执行时实现所述无线供能网络中计算任务卸载的带宽分配方法的步骤。
[0062]
关于无线供能网络中计算任务卸载的带宽分配装置的具体限定可以参见上文中对于无线供能网络中计算任务卸载的带宽分配方法的限定，在此不再赘述。上述无线供能网络中计算任务卸载的带宽分配装置可全部或部分通过软件、硬件及其组合来实现。可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上对应的操作。
[0063]
存储器和处理器之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件互相之间可以通过一条或多条通讯总线或信号线实现电性连接。存储器中存储有可在处理器上运行的计算机程序，所述处理器通过运行存储在存储器内的计算机程序，从而实现本发明实施例中的网络拓扑布局方法。
[0064]
其中，所述存储器可以是，但不限于，随机存取存储器(random access memory，ram)，只读存储器(read only memory，rom)，可编程只读存储器(programmable read-only memory，prom)，可擦除只读存储器(erasable programmable read-only memory，eprom)，电可擦除只读存储器(electric erasable programmable read-only memory，eeprom)等。其中，存储器用于存储程序，所述处理器在接收到执行指令后，执行所述程序。
[0065]
所述处理器可能是一种集成电路芯片，具有数据的处理能力。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等。可以实现或者执行本发明实施例中公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0066]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。