本發(fā)明屬于無(wú)線(xiàn)通信,具體涉及一種面向d2d輔助電力物聯(lián)網(wǎng)的模式選擇方法與裝置。
背景技術(shù):
1、設(shè)備到設(shè)備(device-to-device,d2d)通信技術(shù)是第五代(the?5th?generation,5g)移動(dòng)通信技術(shù)的關(guān)鍵技術(shù)之一。d2d表示終端用戶(hù)之間繞過(guò)基站直接進(jìn)行通信,而不必由基站轉(zhuǎn)發(fā)的通信模式。d2d通信能使用授權(quán)的頻帶資源也能使用非授權(quán)頻帶資源,所以能很好的解決無(wú)線(xiàn)資源短缺的問(wèn)題,它可以提高系統(tǒng)頻帶利用率、提高信息傳輸速率。執(zhí)行d2d通信的用戶(hù)終端可以以小功率傳輸信息,有效節(jié)省能耗開(kāi)銷(xiāo),并且用戶(hù)之間傳輸信息時(shí)傳輸時(shí)延很低,傳輸時(shí)延的降低有助于傳輸速率的提高,此外,終端直通通信能不受基站控制,從而基站負(fù)載較小。
2、d2d通信具有許多優(yōu)點(diǎn),但是在蜂窩網(wǎng)絡(luò)中引入d2d通信也給系統(tǒng)帶來(lái)許多問(wèn)題。當(dāng)d2d用戶(hù)使用未許可頻段時(shí),難以發(fā)現(xiàn)設(shè)備并控制用戶(hù)終端,導(dǎo)致網(wǎng)絡(luò)性能下降;當(dāng)d2d用戶(hù)使用許可頻帶時(shí),可以提高系統(tǒng)的資源利用率,但同時(shí)原有網(wǎng)絡(luò)會(huì)引入新的干擾。這種因復(fù)用蜂窩用戶(hù)資源而帶來(lái)的干擾,會(huì)影響網(wǎng)絡(luò)的通信質(zhì)量,使網(wǎng)絡(luò)環(huán)境變得惡劣。為了改善系統(tǒng)性能,以往的研究多聚焦于d2d技術(shù)中的兩大關(guān)鍵技術(shù):模式選擇技術(shù)和功率分配技術(shù)。其中,模式選擇技術(shù)表示d2d用戶(hù)選擇的工作模式,不同的工作模式所占用的頻段不同,很好的解決了頻帶資源分配的問(wèn)題;功率控制技術(shù)則是根據(jù)通信任務(wù)和用戶(hù)的需求來(lái)調(diào)節(jié)用戶(hù)發(fā)射端的發(fā)射功率,從而減少?gòu)?fù)用資源時(shí)產(chǎn)生的干擾。兩種技術(shù)可以聯(lián)合建模在一個(gè)優(yōu)化問(wèn)題框架中,然而以往的方法往往計(jì)算量過(guò)大,在實(shí)際系統(tǒng)應(yīng)用價(jià)值不大。
3、d2d通信模式分為復(fù)用模式和專(zhuān)用模式。在復(fù)用模式下d2d用戶(hù)與蜂窩用戶(hù)共用一段頻譜,可以有效節(jié)省系統(tǒng)頻譜資源,但蜂窩用戶(hù)和d2d用戶(hù)之間會(huì)產(chǎn)生通信干擾;在專(zhuān)用模式下d2d用戶(hù)使用的頻譜資源與蜂窩用戶(hù)的頻譜資源正交,不存在干擾,但會(huì)占用大量頻譜資源。因此,如何在平衡頻譜資源和通信干擾的情況下使系統(tǒng)吞吐量最大成為模式選擇的核心問(wèn)題,模式選擇的合理性決定了網(wǎng)絡(luò)的性能。目前學(xué)界對(duì)于d2d模式選擇技術(shù)的研究日益廣泛。楊武軍等人提出了基于用戶(hù)距離的模式選擇方法,通過(guò)對(duì)用戶(hù)按照通信間隔進(jìn)行區(qū)分,并根據(jù)用戶(hù)信道狀態(tài)設(shè)置優(yōu)先級(jí),對(duì)用戶(hù)進(jìn)行模式選擇,有效地改善了系統(tǒng)性能;ma?bei等人提出了基于不完全信道狀態(tài)信息(channel?state?information,csi)的方法,以不同用戶(hù)的服務(wù)質(zhì)量作為約束條件得到了d2d用戶(hù)和蜂窩通信鏈路的功率最小封閉解,并由此推導(dǎo)出了模式選擇方案;劉金鑫等人提出了一種基于信干噪比(signal?toinference?plus?noise?ratio,sinr)的模式選擇方案,其劃定下行鏈路作為干擾區(qū)域,以sinr為約束,通過(guò)解決干擾抑制的方式來(lái)快速選擇信道方案。在求解算法上,此類(lèi)研究主要著眼于基于凸優(yōu)化的數(shù)學(xué)模型,利用隱枚舉法、匈牙利算法等傳統(tǒng)算法求解,這類(lèi)算法往往不利于實(shí)際應(yīng)用,原因主要體現(xiàn)在兩個(gè)方面:一是每次進(jìn)行信道分配的時(shí)候都需要進(jìn)行一次算法優(yōu)化,這導(dǎo)致每次優(yōu)化的復(fù)雜度都非常高。二是隨著網(wǎng)絡(luò)規(guī)模的增加,優(yōu)化的復(fù)雜度呈現(xiàn)指數(shù)級(jí)增加。因此,需要進(jìn)一步對(duì)d2d通信的模式選擇進(jìn)行優(yōu)化,以實(shí)現(xiàn)優(yōu)于傳統(tǒng)算法的性能。
技術(shù)實(shí)現(xiàn)思路
1、鑒于上述,本發(fā)明的目的是提供一種面向d2d輔助電力物聯(lián)網(wǎng)的模式選擇方法與裝置,創(chuàng)新性的引入了圖神經(jīng)網(wǎng)絡(luò)(graph?neural?network,gnn)架構(gòu)解決信道分配問(wèn)題,利用圖神經(jīng)網(wǎng)絡(luò)對(duì)d2d通信的模式選擇進(jìn)行優(yōu)化并最大化系統(tǒng)吞吐量,進(jìn)一步降低計(jì)算復(fù)雜度和提高計(jì)算速度,大幅提升通信系統(tǒng)的整體性能,在解決頻譜資源緊張與通信干擾問(wèn)題上具有較高的實(shí)際應(yīng)用價(jià)值,并為未來(lái)的電力物聯(lián)網(wǎng)通信系統(tǒng)提供了一種高效的解決方案。
2、為實(shí)現(xiàn)上述發(fā)明目的,本發(fā)明提供的技術(shù)方案如下:
3、第一方面,本發(fā)明實(shí)施例提供的一種面向d2d輔助電力物聯(lián)網(wǎng)的模式選擇方法,包括以下步驟:
4、基于電力網(wǎng)絡(luò)中的d2d用戶(hù)對(duì)和蜂窩用戶(hù)計(jì)算出信道分配標(biāo)簽值,構(gòu)建為訓(xùn)練數(shù)據(jù)集;
5、構(gòu)建包括圖構(gòu)建模塊、圖卷積模塊和分類(lèi)決策模塊的圖神經(jīng)網(wǎng)絡(luò)模型,在圖構(gòu)建模塊中將電力網(wǎng)絡(luò)中的d2d用戶(hù)對(duì)和蜂窩用戶(hù)及其信道之間的干擾關(guān)系建模為圖結(jié)構(gòu)并將圖結(jié)構(gòu)中的節(jié)點(diǎn)特征和邊特征編碼為特征向量,在圖卷積模塊中利用圖卷積神經(jīng)網(wǎng)絡(luò)將特征向量進(jìn)行特征提取得到包括d2d用戶(hù)對(duì)節(jié)點(diǎn)和蜂窩用戶(hù)節(jié)點(diǎn)的節(jié)點(diǎn)隱狀態(tài),在分類(lèi)決策模塊中將節(jié)點(diǎn)隱狀態(tài)輸入分類(lèi)器計(jì)算信道選擇變量以確定選擇的信道模式;
6、利用訓(xùn)練數(shù)據(jù)集和損失函數(shù)對(duì)圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練;
7、將訓(xùn)練好的圖神經(jīng)網(wǎng)絡(luò)模型部署到基站進(jìn)行信道模式選擇并下發(fā)執(zhí)行通信。
8、優(yōu)選地,所述基于電力網(wǎng)絡(luò)中的d2d用戶(hù)對(duì)和蜂窩用戶(hù)計(jì)算出信道分配標(biāo)簽值,構(gòu)建為訓(xùn)練數(shù)據(jù)集,包括:
9、隨機(jī)產(chǎn)生不同數(shù)量的d2d用戶(hù)對(duì)和蜂窩用戶(hù),采用分支定界法計(jì)算出信道分配解作為正確的標(biāo)簽值,將所有d2d用戶(hù)對(duì)和蜂窩用戶(hù)及其對(duì)應(yīng)的信道分配標(biāo)簽構(gòu)建為訓(xùn)練數(shù)據(jù)集。
10、優(yōu)選地,在圖構(gòu)建模塊中將電力網(wǎng)絡(luò)中的d2d用戶(hù)對(duì)和蜂窩用戶(hù)及其信道之間的干擾關(guān)系建模為圖結(jié)構(gòu),包括:
11、采用節(jié)點(diǎn)建模方法,將電力網(wǎng)絡(luò)中的d2d用戶(hù)對(duì)和蜂窩用戶(hù)建模為圖的節(jié)點(diǎn),將用戶(hù)信道之間的干擾關(guān)系建模為圖的邊,最終構(gòu)建的圖結(jié)構(gòu)是全連接的,即每個(gè)節(jié)點(diǎn)之間均存在干擾,節(jié)點(diǎn)特征為d2d用戶(hù)對(duì)和蜂窩用戶(hù)的發(fā)射功率和信道增益,邊特征為干擾鏈路的信道狀態(tài)以及干擾大小。
12、優(yōu)選地,將圖結(jié)構(gòu)中的節(jié)點(diǎn)特征和邊特征編碼為特征向量,包括:
13、采用structure2vec圖嵌入算法,基于圖結(jié)構(gòu)的鄰接矩陣、節(jié)點(diǎn)特征和邊特征計(jì)算得到每個(gè)節(jié)點(diǎn)的特征向量,具體的非線(xiàn)性迭代表達(dá)為:
14、
15、其中,表示節(jié)點(diǎn)v經(jīng)過(guò)第t次迭代后的特征向量,初始化為零向量,γ(·)表示非線(xiàn)性操作,xv表示節(jié)點(diǎn)v的特征,表示其入邊特征經(jīng)過(guò)上次迭代后的隱狀態(tài),表示該節(jié)點(diǎn)的前驅(qū)鄰點(diǎn)經(jīng)過(guò)上次迭代后的隱狀態(tài),u表示圖結(jié)構(gòu)中所有節(jié)點(diǎn)集合n(v)中的第u個(gè)節(jié)點(diǎn),e表示入邊特征,{d2d,cu}表示d2d用戶(hù)對(duì)和蜂窩用戶(hù)的節(jié)點(diǎn)集合,structure2vec算法經(jīng)過(guò)迭代后最終得到節(jié)點(diǎn)的特征向量hv。
16、優(yōu)選地,所述在圖卷積模塊中利用圖卷積神經(jīng)網(wǎng)絡(luò)將特征向量進(jìn)行特征提取得到包括d2d用戶(hù)對(duì)節(jié)點(diǎn)和蜂窩用戶(hù)節(jié)點(diǎn)的節(jié)點(diǎn)隱狀態(tài),包括:
17、記矩陣h=[hv]v∈{d2d,cu}表示特征編碼后的所有節(jié)點(diǎn)的特征矩陣,其中hv表示節(jié)點(diǎn)v的特征向量,{d2d,cu}表示d2d用戶(hù)對(duì)和蜂窩用戶(hù)的節(jié)點(diǎn)集合;
18、圖卷積神經(jīng)網(wǎng)絡(luò)采用聚合鄰居節(jié)點(diǎn)的特征來(lái)更新節(jié)點(diǎn)的表示,公式表示為:
19、
20、其中,表示帶自環(huán)的鄰接矩陣,表示的度矩陣,h(l)表示圖卷積神經(jīng)網(wǎng)絡(luò)第l層的節(jié)點(diǎn)特征矩陣,h(0)表示輸入特征矩陣,即上一步特征編碼的結(jié)果,w(l)表示圖卷積神經(jīng)網(wǎng)絡(luò)第l層的權(quán)重矩陣并隨著訓(xùn)練過(guò)程不斷更新,σ代表非線(xiàn)性操作,隨著訓(xùn)練進(jìn)行,圖卷積神經(jīng)網(wǎng)絡(luò)會(huì)以半監(jiān)督學(xué)習(xí)的方式逐步學(xué)習(xí)到包括d2d用戶(hù)對(duì)節(jié)點(diǎn)和蜂窩用戶(hù)節(jié)點(diǎn)的節(jié)點(diǎn)隱狀態(tài)h’v。
21、優(yōu)選地,所述在分類(lèi)決策模塊中將節(jié)點(diǎn)隱狀態(tài)輸入分類(lèi)器計(jì)算信道選擇變量以確定選擇的信道模式,包括:
22、采用深度神經(jīng)網(wǎng)絡(luò)構(gòu)建n元分類(lèi)器計(jì)算信道選擇概率,n為蜂窩網(wǎng)絡(luò)可利用的上行正交信道總數(shù),公式表示如下:
23、
24、其中,p(v)表示節(jié)點(diǎn)v選擇信道n的概率,h’v表示節(jié)點(diǎn)隱狀態(tài),表示信道n的權(quán)重向量,表示包括信道n的任一信道n’的權(quán)重向量,上標(biāo)t表示轉(zhuǎn)置;
25、在求得節(jié)點(diǎn)v選擇所有信道的概率后,選取最大概率對(duì)應(yīng)的信道作為節(jié)點(diǎn)v的信道選擇結(jié)果,綜合所有節(jié)點(diǎn)的信道選擇結(jié)果最終構(gòu)建為d2d用戶(hù)對(duì)的信道選擇變量ak,n和蜂窩用戶(hù)的信道選擇變量am,n,通過(guò)ak,n和am,n反映出每個(gè)d2d用戶(hù)對(duì)和蜂窩用戶(hù)的信道模式選擇結(jié)果。
26、優(yōu)選地,損失函數(shù)采用交叉熵?fù)p失函數(shù)公式表示為:
27、
28、其中,p(v)表示節(jié)點(diǎn)v選擇信道n的概率預(yù)測(cè)值,q(v)表示節(jié)點(diǎn)v選擇信道n的概率標(biāo)簽值,{d2d,cu}表示d2d用戶(hù)對(duì)和蜂窩用戶(hù)的節(jié)點(diǎn)集合,n表示蜂窩網(wǎng)絡(luò)可利用的上行正交信道總數(shù)。
29、優(yōu)選地,所述將訓(xùn)練好的圖神經(jīng)網(wǎng)絡(luò)模型部署到基站進(jìn)行信道模式選擇并下發(fā)執(zhí)行通信,包括:
30、終端信息采集:基站向各個(gè)終端發(fā)送導(dǎo)頻,收集所有d2d用戶(hù)對(duì)和蜂窩用戶(hù)的信道狀態(tài)信息;
31、基站處理:基站部署訓(xùn)練好的圖神經(jīng)網(wǎng)絡(luò)模型,結(jié)合d2d用戶(hù)對(duì)和蜂窩用戶(hù)的信道狀態(tài)和干擾信息,優(yōu)化d2d用戶(hù)對(duì)和蜂窩用戶(hù)的模式選擇,模式選擇為專(zhuān)用模式或復(fù)用模式;
32、決策下發(fā):基站將優(yōu)化后的通信模式下發(fā)給各終端;
33、執(zhí)行通信:各d2d用戶(hù)對(duì)和蜂窩用戶(hù)按照分配的模式執(zhí)行通信。
34、第二方面,為實(shí)現(xiàn)上述發(fā)明目的,本發(fā)明實(shí)施例還提供了一種面向d2d輔助電力物聯(lián)網(wǎng)的模式選擇裝置,利用上述的面向d2d輔助電力物聯(lián)網(wǎng)的模式選擇方法實(shí)現(xiàn),包括:數(shù)據(jù)集構(gòu)建模塊、模型構(gòu)建模塊、模型訓(xùn)練模塊和模型部署模塊;
35、所述數(shù)據(jù)集構(gòu)建模塊用于基于電力網(wǎng)絡(luò)中的d2d用戶(hù)對(duì)和蜂窩用戶(hù)計(jì)算出信道分配標(biāo)簽值,構(gòu)建為訓(xùn)練數(shù)據(jù)集;
36、所述模型構(gòu)建模塊用于構(gòu)建包括圖構(gòu)建模塊、圖卷積模塊和分類(lèi)決策模塊的圖神經(jīng)網(wǎng)絡(luò)模型,在圖構(gòu)建模塊中將電力網(wǎng)絡(luò)中的d2d用戶(hù)對(duì)和蜂窩用戶(hù)及其信道之間的干擾關(guān)系建模為圖結(jié)構(gòu)并將圖結(jié)構(gòu)中的節(jié)點(diǎn)特征和邊特征編碼為特征向量,在圖卷積模塊中利用圖卷積神經(jīng)網(wǎng)絡(luò)將特征向量進(jìn)行特征提取得到包括d2d用戶(hù)對(duì)節(jié)點(diǎn)和蜂窩用戶(hù)節(jié)點(diǎn)的節(jié)點(diǎn)隱狀態(tài),在分類(lèi)決策模塊中將節(jié)點(diǎn)隱狀態(tài)輸入分類(lèi)器計(jì)算信道選擇變量以確定選擇的信道模式;
37、所述模型訓(xùn)練模塊用于利用訓(xùn)練數(shù)據(jù)集和損失函數(shù)對(duì)圖神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練;
38、所述模型部署模塊用于將訓(xùn)練好的圖神經(jīng)網(wǎng)絡(luò)模型部署到基站進(jìn)行信道模式選擇并下發(fā)執(zhí)行通信。
39、第三方面,為實(shí)現(xiàn)上述發(fā)明目的,本發(fā)明實(shí)施例還提供了一種電子設(shè)備,包括存儲(chǔ)器和一種或多種處理器,所述存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)程序,所述處理器用于當(dāng)執(zhí)行所述計(jì)算機(jī)程序時(shí),實(shí)現(xiàn)上述的面向d2d輔助電力物聯(lián)網(wǎng)的模式選擇方法。
40、與現(xiàn)有技術(shù)相比,本發(fā)明具有的有益效果至少包括:
41、(1)頻譜利用率提升:通過(guò)模式選擇,能夠在合適場(chǎng)景下選擇復(fù)用模式,從而顯著提升系統(tǒng)的頻譜利用率,從而提高通信網(wǎng)絡(luò)的整體吞吐量。
42、(2)減少系統(tǒng)干擾:采用圖神經(jīng)網(wǎng)絡(luò)算法對(duì)d2d通信模式進(jìn)行優(yōu)化,能夠有效降低d2d通信與蜂窩用戶(hù)之間的干擾,保證通信系統(tǒng)的服務(wù)質(zhì)量(qos)。
43、(3)計(jì)算復(fù)雜度降低:相比傳統(tǒng)的優(yōu)化方法(如隱枚舉法和匈牙利算法),圖神經(jīng)網(wǎng)絡(luò)模型能夠以較低的復(fù)雜度進(jìn)行模式選擇,尤其適用于網(wǎng)絡(luò)規(guī)模較大的場(chǎng)景。
44、(4)系統(tǒng)吞吐量提升:通過(guò)結(jié)合專(zhuān)用模式與復(fù)用模式的優(yōu)化選擇,能夠顯著提升系統(tǒng)的整體通信速率,使得系統(tǒng)在復(fù)雜通信環(huán)境下具備更好的吞吐量表現(xiàn)。
45、(5)系統(tǒng)規(guī)模擴(kuò)大時(shí)效果更加顯著:由于圖神經(jīng)網(wǎng)絡(luò)訓(xùn)練的特殊性,系統(tǒng)規(guī)模增加時(shí),僅僅對(duì)應(yīng)圖神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)數(shù)的增加,能夠借鑒小規(guī)模訓(xùn)練的參數(shù)從而避免復(fù)雜度的增加,降低訓(xùn)練成本。