一种IRS-BackCom赋能的6G物联网多层计算方法及系统

一种irs-backcom赋能的6g物联网多层计算方法及系统
技术领域
1.本发明属于无线通信、智能反射面反向散射和多层计算技术领域，具体涉及一种irs-backcom赋能的6g物联网多层计算方法及系统。


背景技术：

2.随着6g物联网(iot)生态系统的发展越来越多的便利设施，如智能交通、医疗保健、可穿戴设备、工业自动化等应用的落实。无线网络需要支持越来越多的用户设备与此同时网络能力也面临着严峻的考验。
3.不断出现的需求已经引起了各种服务质量要求。如高容量、低延迟、高可靠性、低成本等需求。物联网设备中有限的能源预算和计算能力很难满足这样的需求。计算数据卸载技术和智能反射面反向散射技术(intelligent reflecting surface-backcom)改善这种问题提供了解决方案。移动云计算(mcc)和多访问边缘计算(mec)作为两种常见的计算数据卸载技术经常被用来缓解资源匮乏的需求和资源紧张的物联网设备之间的冲突。
4.移动云计算(mcc)的关键思想是为了将数据比特从iot设备卸载到计算丰富的远程云数据中心进行处理。这种方式存在一些缺点，例如高延迟、巨大的返程消耗问题等。相比较于mcc，mec技术提供了一种更合适的方法来有效地处理时延敏感服务问题，例如实时信号处理。这主要是因为在mec技术中计算单元被推送到了网络的边缘。虽然计算单元边缘部署带来的低延时优势但mec技术也存在计算能力很有限无法满足高负载任务执行的请求。
5.多层计算系统集成了mcc和mec，综合了它们各自的优点从而提高了数据卸载系统的处理和反馈能力。在多层计算系统中计算单元以分层的方式部署。物联网设备的请求计算任务负载超过低层的数据处理能力时一些计算任务被迁移到更强大、更高的层。多层计算系统在时延方面优于平面计算系统。尽管多层计算技术可以减轻物联网设备的数据处理负载，但数据卸载过程极大地增加了发射功率的开销从而加重了iot设备的能源消耗问题。新兴的智能反射面反向散射技术弥补这一不足。
6.智能反射面反向散射技术是将反向散射纳入智能反射面。能够在没有有源射频链路的条件下实现无源信号传输。智能反射面是一种二维电磁(em)超平面，它能够高效地调节各元素单元的反射系数，来改变入射电磁波的反射特性从而达到增强接收信号并抑制干扰噪音的效果。相比较于有源天线，irs的功耗要低得多。


技术实现要素：

7.本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种irs-backcom赋能的6g物联网多层计算方法及系统，用于解决数据在用户端、接入点和中央服务器之间传输效率低，传输不稳定以及功耗高的技术问题。
8.本发明采用以下技术方案：
9.一种irs-backcom赋能的6g物联网多层计算方法，包括以下步骤：
10.s1、建立irs-backcom赋能6g物联网的多层计算系统模型；
11.s2、对步骤s1得到的irs-backcom赋能6g物联网的多层计算系统模型进行问题建模，将通信问题简化为三层逻辑通信模型，得到用户设备层，接入点层，中央处理器层计算任务调度，以及获得本地计算和部分数据卸载的任务分配方案的整体通信模型；
12.s3、对步骤s2得到的通信模型进行系统问题表述和分解，得到一个三层的通信模型，将本地计算和迁移计算问题分给用户设备层，接入点层和中央处理器层进行处理，将任务进行时间调度，将满足本地计算能力的问题进行本地计算，将超过本地计算能力的问题进行部分数据卸载计算，将剩余问题进行分解计算，实现irs-backcom赋能的6g物联网多层计算。
13.具体的，步骤s1中，多层计算系统模型包括：
14.一个能量站pb、t1层的k个智能反射面irs辅助的用户设备ue、t2层的m个与一台mec服务器连接的接入点ap，t3层的一台拥有资源丰富的中央服务器；能量站pb、每个统一接入点ap和中央服务器分别配备n
p
,na和nc根天线，nc≥m
×
na，在分层网络中，每个用户设备ue都请求执行一个计算任务，每个任务逐比特独立，分割成多个比特子集，所有信道遵循准静态衰落并且信道信息已知。
15.具体的，步骤s2中，采用部分数据卸载策略，所有的第一层用户设备ue和第二层接入点ap同时进行计算卸载和本地计算，对用户设备ue的计算任务进行划分，一部分在用户设备ue本地被计算，其余部分被卸载到接入点ap，从用户设备ue到接入点ap的任务转移完成后，每个接入点ap接收到的计算任务比特被划分为：在接入点ap本地被处理，以及被迁移到中央服务器上进行计算。
16.进一步的，第一层本地计算计算的第k个用户设备ue处的本地能耗e
loc,k
为：
[0017][0018]
其中，t
loc,k
表示在第k个用户设备ue处进行本地计算的执行时间，t
off
表示卸载时间在卸载期间能量站pb和所有智能反射面irs都处于开启状态，μ表示智能反射面irs的一个元素单元的功耗与智能反射面irs的相位分辨率正相关，l为irs中元素的个数；
[0019]
第m个接入点ap的能量消耗e
ap,m
为：
[0020][0021]
其中，t
ap,m
和t
mig,m
分别表示在第m个ap处的计算时间和数据迁移时间，p
ap,m
表示第m个ap的信息发射功率，ε
ap,m
为m个ap处处理器芯片的能耗系数与芯片架密切相关，为m个ap的cpu频率。
[0022]
进一步的，第一层用户设备ue采用irs通信，能量站pb利用定向天线辐射电磁波时，到达每个用户设ue的智能反射面irs的载能射频信号被用作反向散射通信，当irs执行反向散射通信时，作为信号载体的的入射信号被重新调制，反向散射向量θk经过调制后，被转换为针对信号x
kr
的无源波束形成向量θ
kr
。
[0023]
更进一步的，重新调制具体为：
[0024][0025]
其中，s表示原始数据信号，x
kr
表示针对第r个ue的第k个接入点ap的调
制后数据信号，wk为pb的第k组天线上的波束形成向量。
[0026]
具体的，步骤s3中，在第一阶段被卸载到接入点ap中，在第二阶段执行从接入点ap卸载到中央服务器的数据；通过联合优化能量站pb处的有源波束形成、用户设备ue处的无源波束形成、接入点ap处的有源波束形成、所有用户设备ue之间的带宽和功率分配以及本地计算时间最大化系统的计算和比特表述优化问题，具体如下：
[0027][0028][0029][0030][0031][0032][0033][0034][0035]
c8:t
off
≤t1[0036][0037]
c10:t
ap,mrap,m
+t
mig,mrmig,m
≥sm[0038][0039]
c12:t1+t2＝t
[0040]
其中，sm表示第m个ap接收的计算和比特，t1和t2分别表示第一阶段和第二阶段的持续时间，分别表示为wk,θ
kr
,pk,t
loc,k
和vm的集合，c1和c2分别表示pb和所有ue的有源和无源波束形成约束，c3、c4、c5表示各ue之间的功率分配或带宽分配约束，p表示pb的总功率，c5旨在通过设置最小和比特最大带宽大小界限来确保ue之间的公平性，c6是每个ue的能量约束，表示所有ue的能量阈值，c7和c8是时间约束，c9表示ap处的波束形成约束；c10为每个ap接收的数据比特数低于其本地计算和卸载的数据处理能力；c11为时间约束；
[0041]
在第一阶段计算和比特的最大化得到问题1，在第二阶段延迟的最小化通过问题转化和替代参数优化的方法进行计算得到问题2；求解问题1和问题2得到计算和比特和延迟最小化，将语音视频和直播视频计算问题进行分解处理，时间和计算的任务分配，得到多层计算的时间调度，第一层获得本地计算和比特和第一层向第二层、三层的部分数据卸载的分配方案；
[0042]
问题1如下：
[0043][0044]
s.t.c1-c8
[0045]
问题2分别如下：
[0046][0047]
s.t.c9-c11
[0048][0049]
进一步的，问题1等价表述为：
[0050][0051][0052][0053][0054][0055]
其中，bk为信道的带宽，α
m,k
为拉格朗日对偶转化辅助变量，ω
m,k
为方便矩阵计算引入变量，β
m,k
为正定辅助变量，t
m,k
为第k到m的联合信道增益，为引入方便矩阵计算的变量，为ap的集合，θ
kr
为，为ue的集合，为ue的irs元素单元的集合，l为第l个元素单元。
[0056]
进一步的，问题2等价表述为：
[0057][0058][0059][0060][0061][0062][0063][0064]
其中，(
·
)h表示矩阵或向量的共轭转置，x
mig,m
和y
mig,m,r
为变量，r
lb
为的下界，α
mig,m
为正定辅助变量，vm和为变量，为ap的集合，b为总带宽，sm为数据比特和，
p
ap,m
为第m个ap的发射功率。
[0065]
第二方面，本发明实施例提供了一种irs-backcom赋能的6g物联网多层计算系统，包括：
[0066]
系统模块，建立irs-backcom赋能6g物联网的多层计算系统模型；
[0067]
问题模块，对系统模块得到的irs-backcom赋能6g物联网的多层计算系统模型进行问题建模，将通信问题简化为三层逻辑通信模型，得到用户设备层，接入点层，中央处理器层计算任务调度，以及获得本地计算和部分数据卸载的任务分配方案的整体通信模型；
[0068]
计算模块，对问题模块得到的通信模型进行系统问题表述和分解，得到一个三层的通信模型，将本地计算和迁移计算问题分给用户设备层，接入点层和中央处理器层进行处理，将任务进行时间调度，将满足本地计算能力的问题进行本地计算，将超过本地计算能力的问题进行部分数据卸载计算，将剩余问题进行分解计算，实现irs-backcom赋能的6g物联网多层计算。
[0069]
与现有技术相比，本发明至少具有以下有益效果：
[0070]
一种irs-backcom赋能的6g物联网多层计算方法，通过建立irs-backcom赋能6g物联网的多层计算系统模型；得到的irs-backcom赋能6g物联网的多层计算系统模型进行问题建模将原本复杂的通信问题简化为三层逻辑通信模型，得到用户设备层，接入点层，中央处理器层的时间调度，本地计算和部分数据卸载的通信模型；通过将原复杂的任务分配问题问题转化进行最大化计算和比特和时延最小化的两个计算问题；进行系统问题表述和分解得到优化的计算结果。
[0071]
进一步的，可以将原本复杂的本地计算和迁移计算问题分为三层处理。分为用户设备层，接入点层，中央处理器层进行任务分配和处理，将任务进行合理的时间调度，把简单的问题进行本地计算，超过本地计算能力的问题进行部分数据卸载计算，将复杂的计算问题进行分解与高效计算。进而可以提高系统整体的计算效率，减轻了各层计算任务的负担进而提升了整体的计算效率。
[0072]
进一步的，采用部分数据卸载策略，所有的用户设备ue和接入点ap同时进行计算卸载和本地计算，对用户设备ue的计算任务进行划分，一部分在用户设备ue本地被计算，其余部分被卸载到接入点ap，从用户设备ue到接入点ap的任务转移完成后，每个接入点ap接收到的计算任务比特被划分为：在接入点ap本地被处理，以及被迁移到中央服务器上进行计算进而合理的使用了本地的计算能力和上一层的计算能力，当计算任务吞吐量比较大的时候，该系统具有更强的计算效率和计算能力，可以适应高并发，高吞吐量的计算任务。通过部分数据卸载和本地计算让计算任务和计算资源充分利用。
[0073]
进一步的，根据上述模型的建立，分别计算出第k个用户设备ue处的本地能耗e
loc,k
和第m个接入点ap的能量消耗e
ap,m
进而进行推算出每一个部分的最高功耗限度，从而得出合理的本地计算和任务卸载的时间调度和任务分配。
[0074]
进一步的，能量站pb利用定向天线辐射电磁波时，到达每个用户设ue的智能反射面irs的载能射频信号被用作反向散射通信，当irs执行反向散射通信时，作为信号载体的的入射信号被重新调制，反向散射向量θk经过调制后，被转换为针对信号x
kr
的无源波束形成向量θ
kr
，智能反射面irs可以进行能量收集能力，并且通过调制可以将信息重新进行发送，从而实现低功耗通信能力。
[0075]
进一步的，irs智能反射面将通信信号进行重新调制与发送，可以降低各个信息传输的功耗可以提升系统本身的通信效率，
[0076]
进一步的，第一阶段被卸载到接入点ap中，在第二阶段执行从接入点ap卸载到中央服务器的数据；通过联合优化能量站pb处的有源波束形成、用户设备ue处的无源波束形成、接入点ap处的有源波束形成、所有用户设备ue之间的带宽和功率分配以及本地计算时间最大化系统的计算和比特表述优化问题，在第一阶段计算和比特的最大化得到问题1，在第二阶段延迟的最小化通过问题转化和替代参数优化的方法进行计算得到问题2.将原先复杂的问题进行转化方便问题的表述与计算。
[0077]
进一步的，对问题1计算和比特的最大化等价表述，利用拉格朗日对偶引入变量，进行二次转化。从而利用参数替代法，偏导，高斯随机化等方法对原先复杂的问题进行求解，得到更低复杂度的解决方案。
[0078]
进一步的，对问题2延迟的最小化通过等价表述，利用二次优化，替代优化方法进行参数优化，从而得到最优解。
[0079]
可以理解的是，上述第二方面至第三方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
[0080]
综上所述，本发明将原本复杂的计算任务问题更高效的合理的进行时间调度、部分任务卸载。充分利用用户设备，接入点，以及中央处理器的最优计算能力进行任务计算，大大提高了整个通信系统的效率。
[0081]
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
[0082]
图1为irs-backcom多层计算系统示意图；
[0083]
图2为两阶段过程的时间调度示意图；
[0084]
图3为irs-backcom多层计算的优化示意图，其中，(a)为从ue到ap的卸载速率，(b)为从ap卸载到中央服务器的速率；
[0085]
图4为irs-backcom多层计算的irs元素个数对用户设备计算位总和的影响示意图，其中，(a)为从ue到ap的卸载速率，(b)为计算和比特；
[0086]
图5为irs-backcom多层计算的能量站的总发射功率变化对用户设备的卸载速率和接入点速率系统计算和比特的影响示意图，其中，(a)为从ue到ap的卸载速率，(b)为计算和比特；
[0087]
图6为irs-backcom多层计算的用户端到接入点的平均距离对卸载速率和系统的计算位和比特的影响示意图，其中，(a)为从ue到ap的卸载速率，(b)为计算和比特；
[0088]
图7为irs-backcom多层计算接入点的数量和天线数对系统计算位总和的影响示意图，其中，(a)为接入点的数量，(b)为接入点天线的数量；
[0089]
图8为本发明流程示意图。
具体实施方式
[0090]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发
明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0091]
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0092]
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0093]
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
[0094]
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。
[0095]
取决于语境，如在此所使用的词语“如果”可以被解释成为“在
……
时”或“当
……
时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
[0096]
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
[0097]
本发明提供了一种irs-backcom赋能的6g物联网多层计算方法，在分层网络中，每个用户设备ue(user equipment)所请求的计算任务的数据被划分为三个部分，分别在t1层的ue、t2层的接入点ap(acces point)和t3层的中央服务器上被完成计算；相较于传统的有源天线发射方式，ue利用了无源的智能反射面irs(intelligent reflecting surface)卸载数据比特卸载到接入点ap；与传统的有源天线方式截然不同；基于建立的网络框架；本发明旨在最大化系统的计算和比特的优化问题；在所考虑的时间块内本发明通过联合优化能量站处的有源波束形成、ue处的无源波束形成、ap处的有源波束形成、所有ue之间的带宽和功率分配以及本地计算时间来最大化系统的计算和比特。
[0098]
本发明将优化问题分解为两个子问题，即时间阶段1内的计算和比特最大化问题和时间阶段2内的时延的最小化问题。并使用目标函数转换和交替优化方法得到了两个子问题的解。本发明进行了大量的仿真，验证了系统的可行性并表明了系统在处理计算比特方面可实现高性能的计算和比特。
[0099]
请参阅图8，本发明一种irs-backcom赋能的6g物联网多层计算方法，包括以下步骤：
[0100]
s1、建立智能反射面反向散射(irs-backcom)赋能的6g物联网的多层计算系统模型；
[0101]
请参阅图1，基于irs-backcom赋能6g物联网的多层计算系统模型包括一个能量站pb(power beacon)、t1层的k个智能反射面irs辅助的用户设备ue、t2层的m个与一台mec服务器连接的接入点ap，t3层的一台拥有资源丰富的中央服务器。pb、每个统一ap和中央服务器分别配备了n
p
,na和nc根天线，nc≥m
×
na。
[0102]
令分别表示ue、第k个ue的irs元素单元和ap的集合，在这样的分层网络中，每个ue都在请求执行一个计算任务。假设每个任务都是逐比特独立的，因此可以分割成多个比特子集。用于全部实体间信息交换的所有控制链路都是充分光滑的。以及所有的信道都遵循准静态衰落并且信道信息是完美已知的。
[0103]
系统采用部分数据卸载策略。对于所有的ue和ap，在电路结构上它们的计算单元和卸载单元是分开的，因而同时支持计算卸载和本地计算。ue本身的计算能力非常弱，其数据处理速度相当有限。为了实现高效计算和比特和低时延，ue的计算任务被划分为多个部分，一部分在ue本地被计算，其余部分卸载到ap。一旦完成了从ue到ap的任务转移，由各个ap接收到的计算任务比特被进一步划分为两部分，一部分在ap本地被处理，另一部分被迁移到中央服务器上进行计算。
[0104]
s2、基于步骤s1得到的irs-backcom赋能6g物联网的多层计算系统模型进行问题建模；
[0105]
基于步骤s1建立的智能反射面反向散射赋能6g物联网多层计算系统模型，采用部分数据卸载策略，对所有的ue和ap，它们的计算单元和卸载单元在电路结构中是分开的，所以支持计算卸载和本地计算同时进行。
[0106]
由于计算能力较低，每个ue的数据处理速度都相当有限。为了高效计算和比特和低时延，ue的计算任务被划分为多个部分。一部分在ue本地被计算，其余部分被卸载到ap。一旦从ue到ap的任务转移完成，每个ap接收到的计算任务比特被进一步划分为两部分。一部分在ap本地被处理，另一部分被迁移到中央服务器上进行计算。
[0107]
s201、建立计算和能量模型；
[0108]
数据的计算时间和数据迁移时间在不同的计算层传输消耗的时间和能量的计算式。
[0109]
当ue请求处理一个计算任务时，由于计算能力低，只有一小部分任务比特在本地计算；随后在任务从ue卸载到ap之后，ap接收到的数据必特被分为两部分。一部分在本地计算，同时其他部分被迁移到中央服务器中。令f
loc,k
和c
loc,k
分别表示cpu的频率和第k个ue处计算单位比特所需周期数。ε
loc,k
表示第k个ue处处理器芯片的能耗系数与芯片架密切相关。令f
ap,m
,c
ap,m
，ε
ap,m
表示第m个ap的对应内容。
[0110]
在第k个ue和第m个ap处执行的计算速率分别表示为：
[0111][0112]
[0113]
因为中央服务器具有强大的计算能力执行时延小到忽略不计，在第k个ue处本地能耗由数据计算和irs运行组成，表示为：
[0114][0115]
其中，t
loc,k
表示在第k个ue处进行本地计算的执行时间，t
off
表示卸载时间(在卸载期间pb和所有irs都处于开启状态)，μ表示单个irs的一个元素单元的功耗与irs的相位分辨率正相关。
[0116]
随着irs元素单元数量的增加irs消耗的能量也增加。在第m个ap时的能量消耗由下式给出：
[0117][0118]
其中，t
ap,m
和t
mig,m
分别表示在第m个ap处的计算时间和数据迁移时间，p
ap,m
表示第m个ap的信息发射功率。
[0119]
s202、建立通信模型
[0120]
本系统计算结果的规模一般比计算任务要小得多，所以下行链路通信将不被考虑；并且返回延迟也可以合理地忽略。对于上行链路任务卸载考虑一个时间块t，在此期间所有信道增益保持不变。当执行任务卸载时，将时间块t分为两个阶段t1和t2两个时间阶段，如图2所示。在第一阶t1从ue卸载数据任务到ap；在第二阶段t2，ap接收到的部分任务比特被迁移到中央服务器；注意这两个阶段共享相同的频谱资源b。
[0121]
在第一阶段部署能量站pb发射的电磁波被用作每个ue处的irs处的反向散射载波信号。各个ue占用不同的频谱资源来传输它的一些数据比特到ap；具体来说，总频谱资源总带宽b被划分为k个资源块其中的bk被分配给第k个ue。pb处的天线被分为k组。
[0122]
其中，n
p,k
表示第k组天线的数量，第k组天线指向第k个ue，并与第k个ue共享相同的频谱资源bk。
[0123]
令和分别表示从pb处的第k组天线到第k个ue、从pb的第k组天线到第m个ap和从第k个ue到第m个ap的信道增益矩阵。
[0124]
从pb到中央服务器的信号传输忽略不计。定义θk和θk分别为irs第k个反向散射矩阵和向量，θk＝diag{θk}。
[0125]
当pb利用定向天线发射辐射电磁波时，到达每个ue的irs的载能射频信号被用作反向散射通信。
[0126]
当irs执行反向散射通信时，作为信号载体的的入射信号被重新调制这一过程在数学上被描述为：
[0127][0128]
其中，s表示原始数据信号，x
kr
表示针对第r个ue的第k个ap调制后的数据信号，符号wk指pb的第k组天线上的波束形成向量。反向散射向量θk经过调
制后，被转换为针对信号x
kr
的无源波束形成向量θ
kr
，并且[
·
]
l,l
表示矩阵的第l个对角线元素。
[0129]
采用部分数据卸载策略将计算任务在ue和ap以及中央服务器进行合理的计算任务分配。为了高效计算和比特和低时延，ue的计算任务被划分为多个部分。一部分在ue本地被计算，其余部分被卸载到ap。一旦从ue到ap的任务转移完成，每个ap接收到的计算任务比特被进一步划分为两部分。一部分在ap本地被处理，另一部分被迁移到中央服务器上进行计算。
[0130]
s3、在步骤s1建立的irs-backcom赋能6g物联网的多层计算系统模型中基于步骤s2进行问题建模进行系统问题表述和分解。
[0131]
通过分别联合优化pb处的有源波束形成、ue处的无源波束形成、ap处的有源波束形成、所有ue之间的带宽和功率分配以及局部计算时间的方法使系统的计算和比特最大化问题和局部计算的执行时间以及两个阶段之间的时间分配难以直接解决，因此提出时间块被分为两个相互关联的连续阶段。
[0132]
在第一阶段一些计算位被卸载到ap中。在第二阶段执行从ap卸载到中央服务器的数据。对应于这两个阶段问题可以分为两个问题即阶段1计算和比特的最大化和阶段2延迟的最小化通过问题转化和替代参数优化的方法从而解决问题。
[0133]
s301、进行问题表述
[0134]
考虑到在经过两个过程的计算任务和数据迁移，当从ap到中央服务器的计算任务迁移完成后，由于中央服务器强大的计算能力可以立即获得并返回计算结果。为时间块中处理尽可能多的计算比特通过联合优化pb处的有源波束形成、ue处的无源波束形成、ap处的有源波束形成、所有ue之间的带宽和功率分配以及本地计算时间最大化计算和比特进行优化问题推算；
[0135]
在第一阶段中，在第m个ap处接收到来不同ue的信号，仅考虑从第k个ue的传输，在第m个ap的接收信号：
[0136][0137]
其中，是一个复高斯随机向量，功率谱密度为nm，并且
[0138]
由于pb处的天线指向每个ue，所以ap很少受到来自pb的干扰。根据接收到的信号占用带宽资源块bk上的第m个ap处的信噪比(sinr)：
[0139][0140]
因此从第k个ue到所有ap的和速率为：
[0141][0142]
在第二阶段中，所有ap占据相同的频谱资源b，通过无线返程链路将部分接收到任务比特发送到中央服务器。令表示从ap到中央服务器的信道增益矩阵。在中央
服务器处接收到的信号是:
[0143][0144]
其中的n～(0,σ2i)是一个复高斯随机向量，功率谱密度为n，并且σ2＝bn。根据接收到的信号从第m个ap到中央服务器的传输速率为：
[0145]rmig,m
＝b log2(1+γ
mig,m
)
[0146]
其中，
[0147]
由于中央服务器强大的计算能力，当从ap到中央服务器的计算任务迁移完成时，可以立即获得并返回计算结果。为了在所考虑的时间块中处理尽可能多的计算比特，本发明通过联合优化pb处的有源波束形成、ue处的无源波束形成、ap处的有源波束形成、所有ue之间的带宽和功率分配以及本地计算时间最大化系统的计算和比特。
[0148]
优化问题被表述为：
[0149][0150][0151][0152][0153][0154][0155][0156]
c8:t
off
≤t1,
[0157][0158]
c10:t
ap,mrap,m
+t
mig,mrmig,m
≥sm,
[0159][0160]
c12:t1+t2＝t,
[0161]
其中，表示第m个ap接收的计算和比特。t1和t2分别表示第一阶段和第二阶段的持续时间。分别表示为wk,θ
kr
,pk,t
loc,k
和vm的集合；c1和c2分别表示pb和所有ue的有源和无源波束形成约束.c3、c4、c5表示各ue之间的功率分配或带宽分配约束,其中的p表示pb的总功率，c5旨在通过设置最小与最大带宽上下界来确保ue之间的公平性；c6是每个ue的能量约束，表示所有ue的能量阈值；c7和c8是时间约束；c9表示ap处的波束形成约束；c10成立是因为每个ap接收的数据比特数不超过其本
地计算和卸载的数据处理能力；c11是时间约束。
[0162]
此外，ap的能量预算不是一个重要的限制因素，因此不考虑作为约束。
[0163]
s302、基于步骤s301进行问题表述后进行问题分解；
[0164]
在建立多层计算模型基础上把原本复杂的难解的三层通信模型的本地计算任务和部分数据卸载任务分配方案转化为两个容易解决的子问题；即计算和比特最大化和时延最小化问题；这样可以确保系统的整体通信能力的充分利用以便于应对高吞吐量；通信高峰的时间段来提高系统的通信效率
[0165]
由于存在多个耦合变量，在非凸优化问题(p0)难以直接解决。这些耦合变量是有源和无源波束形成向量、功率和带宽、本地计算执行时间以及两个阶段之间的时间分配。在所考虑的系统中，时间块被分为两个相互关联的连续阶段。在第一阶段一些计算比特被卸载到ap中相应的约束条件为c1-c8。在第二阶段，执行从ap卸载到中央服务器的数据被执行，相应的约束条件为c9-c11。对应于这两个阶段，问题(p0)被分为如下两个问题：
[0166]
即阶段1的计算和比特最大化和阶段2的时延最小化。
[0167]
对于两个阶段之间的给定时间分配问题1和问题2两个优化问题一旦它们被解决就可以通过二分法得到t1和t2之间的最优时间分配。通过解决问题(p1)和(p2)并使用二分法可以得到问题p1的解。
[0168]
问题1：阶段1的计算和比特最大化：
[0169][0170]
s.t.c1-c8
[0171]
问题2：阶段2的时延最小化：
[0172][0173]
s.t.c9-c11.
[0174]
对于给定的时间分配，分别给出上述两个优化问题的求解过程；之后，t1与t2之间的最优的时间分配可以通过二分法获得。换而言之，通过求解问题p1和p2，再利用二分法可以获得原问题p0的解。
[0175]
从问题(p1)看出，当给定时，问题(p1)简化为一个线性规划问题，并且其中的目标函数仅受限于约束c6-c8。考虑到一个线性规划问题很容易解决，故这里省略解答方法。另一方面，依赖于它们只涉及约束c1-c5。因此重点关注接下来的问题。
[0176][0177]
s.t.c1-c5
[0178]
在问题(p3)中，有源波束形成、无源波束形成、功率和带宽是耦合的。此外目标函数是对数函数的和，鉴于这些因素这个问题(p3)仍然难以直接解决。为了使问题(p3)可行将提出一种有效的方案，本发明首先将对数函数的和转换为更易于处理的形式，然后提出一种交替优化方法优化各变量。
[0179]
s3021、基于步骤s302对第一阶段计算和比特最大化问题利用二次转化方法进行目标函数转换；
[0180]
为了将对数函数转换为更容易处理的形式采用拉格朗日对偶变换对目标函数进行转换。引入辅助变量α
m,k
和辅助变量向量β
m,k
，再利用二次变换，对数函数的和重写为：
[0181][0182]
其中
[0183][0184]
其中
[0185][0186]am,k
＝t
m,k
θ
km
[0187][0188]
基于新的目标函数问题(p3)被新表述为：
[0189][0190]
s.t.c1-c5
[0191][0192]
s3022、基于步骤s302对第一阶段计算和比特最大化问题一利用求导二次规划(qcqp)半定松弛(sdr)等方法对问题参数进行交替优化；
[0193]
通过循环优化变量α
m,k
,β
m,k
,求解问题(p4)，包括以下步骤：
[0194]
步骤1：优化α
m,k
和β
m,k
；
[0195]
给定的情况下，分别对α
m,k
和β
m,k
求导以得到最优的和令
[0196]
然后推导出最优的分别为：
[0197][0198]
步骤2：优化
[0199]
当给定α
m,k
,β
m,k
,时，问题(p4)重新表述为：
[0200][0201]
s.t.c4,c5
[0202]
显然，(p5)是一个二次规划(qcqp)问题，因此很容易解决。
[0203]
步骤3：优化和
[0204]
给定α
m,k
,β
m,k
,后，问题的目标函数(p4)可以简化为：
[0205][0206]
ykxk分别为：
[0207][0208][0209]
然后，问题(p4)重新表述为：
[0210][0211]
s.t.c1,c3
[0212]
使用半定松弛(sdr)来将它提升到一个更高的维度，令和接着这个问题被等价重写为：
[0213][0214][0215][0216][0217][0218][0219]
通过删除秩为1的约束c16，(p6)被松弛为一个半定规划(sdp)问题，可以用现有的cvx求解软件很容易地求解。然后，通过奇异值分解(svd)或高斯随机化方法可以恢复秩为1的解。
[0220]
步骤4：优化
[0221]
给定α
m,k
,β
m,k
,问题(p4)的目标函数被简化为：
[0222][0223]
然后问题(p4)被重新表述为：
[0224][0225]
s.t.c2
[0226]
推导出：
[0227][0228]
其中，
[0229]
于是问题(p4)等价重新表述为：
[0230][0231][0232][0233][0234][0235]
忽略秩为1的约束c20，这个问题在上是凸的并容易求解。根据其最优解可以利用奇异值分解(svd)或高斯随机化方法恢复秩为1解。基于此可以得到θ
kr
。
[0236]
问题2：阶段2的时延最小化：
[0237][0238]
s.t.c9-c11
[0239]
s3023、基于步骤s302对阶段二时延最小化问题转换；
[0240]
问题(p2)被等价的改写为：
[0241][0242]
s.t.c9,c10
[0243]
从这个优化问题中，可以很容易地推导出t
ap,m
＝t
mig,m
是最优解的必要条件。为了证明这一点，令t
ap,m
≤t
mig,m
；根据约束c10有当t
ap,m
取值较大时，t
mig,m
也相应地减小。因此，在t
ap,m
＝t
mig,m
时，被最小化。
[0244]
优化问题(p2)进一步等价表述为：
[0245][0246][0247][0248][0249]
为了更加简洁问题表示为：
[0250][0251][0252]
考虑有问题被等价转化为：
[0253][0254][0255][0256]
根据二次变换约束c23的左侧表示为：
[0257][0258]
其中，然后问题(p2)转化为：
[0259][0260][0261][0262]
s3024、基于步骤s302对阶段二时延最小化问题利用求导，半正定松弛进行参数交替优化。
[0263]
通过优化变量α
mig,m
β
mig,m
和求解问题(p8)，这个过程分为以下步骤：
[0264]
步骤1：优化α
mig,m
β
mig,m
；
[0265]
给定分别对α
mig,m
β
mig,m
求导以求得最优然后推导出最优的：
[0266][0267]
[0268]
步骤2：优化
[0269]
给定α
mig,m
β
mig,m
，约束c24等价为：
[0270][0271]
令约束条件c24被转化为：
[0272][0273]
接着问题(p8)被简化为：
[0274][0275]
s.t.c9,c25
[0276]
通过执行半正定松弛(sdr)，这个问题被等价地转化为：
[0277][0278][0279][0280][0281][0282][0283][0284]
其中，
[0285]
忽略秩为1的约束c30，使(p9)成为一个凸问题。根据其最优解利用svd或高斯随机化方法可以恢复秩为1的解；在此基础上得到
[0286]
本发明再一个实施例中，提供一种irs-backcom赋能的6g物联网多层计算系统，该系统能够用于实现上述irs-backcom赋能的6g物联网多层计算方法，具体的，该irs-backcom赋能的6g物联网多层计算系统包括系统模块、问题模块以及计算模块。
[0287]
其中，系统模块，建立irs-backcom赋能6g物联网的多层计算系统模型；
[0288]
问题模块，对系统模块得到的irs-backcom赋能6g物联网的多层计算系统模型进行问题建模，将通信问题简化为三层逻辑通信模型，得到用户设备层，接入点层，中央处理器层计算任务调度，以及获得本地计算和部分数据卸载的任务分配方案的整体通信模型；
[0289]
计算模块，对问题模块得到的通信模型进行系统问题表述和分解，得到一个三层的通信模型，将本地计算和迁移计算问题分给用户设备层，接入点层和中央处理器层进行处理，将任务进行时间调度，将满足本地计算能力的问题进行本地计算，将超过本地计算能力的问题进行部分数据卸载计算，将剩余问题进行分解计算，实现irs-backcom赋能的6g物联网多层计算。
[0290]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0291]
本发明系统中考虑了时间块中计算和比特的最大化和延迟的最小化的问题。为了解决这个问题本专利共同优化了pb处的有源波束形成、ue的无源波束形成、ap处的有源波束形成、所有ue之间的带宽和功率分配，以及局部计算的时间。
[0292]
在所考虑的多层计算系统中，从ue到ap的卸载速率与系统的计算和比特，可以分别表示为提出的irs反向散射策略的通信能力和系统的任务处理能力。因此，本发明研究了这两个性能指标是如何依赖于几个重要的参数,包括irs的元素单元数、pb的总发射功率、从ue到ap的平均距离、ap的数量和ap的天线数。除了所提出的优化方案外，还给出了几种简化的优化方案用于比较。下面由数值仿真来评估反向散射多层计算最优化的可实现通信性能。
[0293]
联合：该图例表示了所考虑的irs反向散射支持的多层计算系统的优化方案，其中在pb处的主动波束形成、ue上的无源波束形成、ap上的有源波束形成、所有ue之间的带宽和功率分配，以及本地计算的时间都被联合优化。
[0294]
主动：这个图例表示所考虑的irs反向散射支持的多层计算系统的简化优化方案，其中无源波束形成在ue处随机生成而其他变量包括pb处的有源波束形成、ap处的有源波束形成、所有ue之间的带宽和功率分配以及本地计算时间被联合优化。
[0295]
被动：在考虑的irs反向散射支持的多层计算系统中，pb可能不是一个专门部署的bs。相反现有的周围信号站也可以用作为pb。在这种情况下在pb处的主动波束形成是随机产生。这个图例代表了这种情况，除了在pb处的主动波束形成外，所有变量都被共同优化。
[0296]
随机时间：此图例表示所考虑的irs反向散射支持的多层计算系统的另一种简化优化方案，其中两个阶段之间的时间分配没有得到优化。相反时间是随机划分的，这是与联合方案的唯一区别。
[0297]
算法1总结了问题(p0)的整体求解过程其中的t表示第t次迭代，ε表示一个较小的正精度限制或迭代精度。算法1是收敛的，从算法1中可以清楚地看到，有三个repeat-end循环。在第一个repeat-end循环中，计算复杂度主要取决于(p7)的求解过程。因为a
m,k
,b
m,k
,
α
m,k
β
m,k
不需要进行复杂的优化过程就可以快速求解。此外irs的元素单元数量远远超过了ap处的天线数。通过采用内点法(ipm)，给出了问题(p7)的复杂性：
[0298][0299]
其中，在嵌套的repeat-end循环中(p9)主导了计算复杂度。采用ipm，问题(p9)的复杂度为：
[0300][0301]
其中，
[0302]
在问题解决(p7)和(p9)后，解一般是秩为1的矩阵，因此复杂度较小并可以忽略恢复秩为1的向量。因此问题的总复杂度(p0)近似为：
[0303]cp0
＝t
loop1cp7
+t
loop2
n3c
p9
[0304][0305][0306]
其中，t
loop1
t
loop2
分别表示第一个和第三个repeat-end循环的循环次数，表示第二重循环中等分方法的复杂度。
[0307]
在数值仿真中所有信道数据都是在因子为κ的莱斯分布下随机生成的，对于所有信道，路径损耗被表示为pl＝pl
0-25lg(d/d0)db，pl0表示参考距离d0处的路径损耗，d表示传输距离；pb上所有组天线组的数量相同，每组天线的天线增益用η表示。从pb发射出的电磁功率只有一小部分达到每个ap。此外所有的irs的元素单元数量都相同。一些重要的模拟参数设置值列在表1中。从pb到ue、从ue到ap、从pb到ap到ap以及从ap到中央服务器的距离由间隔分别在区间[d
pu0-10m,d
pu0
+10m]、[d
ua0-20m,d
ua0
+20m]、[d
pa0-20m,d
pa0
+20m]和[d
ac0-20m,d
ac0
+20m]随机均匀生成。
[0308]
表1.仿真参数取值
[0309][0310][0311]
请参阅图3，显示了在随机观测中所有优化方案的收敛行为。从图3(a)和图3(b)可
以清楚地观察到，所有的优化方案都收敛得非常快。在图3(a)中，“联合”优化方案从ue到ap的卸载速率最高。从图3(b)中可以看出，当数据从ap卸载到中央服务器时，所提出的优化方案并没有达到最佳的性能。
[0312]
请参阅图4，描述了从ue到ap的卸载速率和系统的计算和比特与ue上的irs的元素数的关系。根据图4(a)和4(b)可以发现，随着irs元素数的增加，系统的卸载速率和计算和比特也增加。这一结果表明irs元素数的增加有助于系统性能的提高。此外联合方案的性能优于主动和被动方案。在图4(b)中，随机时间方案获得的系统计算和比特小于联合状态，说明t1和t2之间的时间分配对提高整个系统的性能起着至关重要的作用。
[0313]
请参阅图5和图6，分别显示了pb的总传输功率和从ue到ap的平均距离如何影响从ue到ap的卸载速率和计算和比特。从图中可以发现，在pb处的总发射功率的增加以及从ue到ap的平均距离的减少，有助于改善卸载从ue到ap的速率和系统计算和比特。
[0314]
请参阅图7，显示了ap的数量及其天线数量如何影响计算和比特。从图7(a)中不难看出从ue到ap的卸载速率和系统的计算和比特随着部署更多的ap数量而上升。
[0315]
综上所述，本发明一种irs-backcom赋能的6g物联网多层计算方法及系统，将计算过程分为用户端、接入点，中央服务器，通过对每个过程的优化从而提高计算效率，达到低功耗的目的了；解决了在时间块中的计算和的最大化问题；优化了能量站的有源波束形成、用户端处的无源波束形成、接入点处的有源波束形成、所有用户设备之间的带宽和功率分配，以及局部计算的时间。通过仿真表明，增加irs元素数量，总发射功率，接入点的数量和接入点的天线数量可以促进计算和比特。相反当用户设备到接入点的平均距离增加时性能就会下降；结果表明irs-backcom多层计算系统是高效可行的，可以大大减少通信设备的通信压力，提供可靠、高效、低功耗的通信网络。