CN108600002A - 一种基于半监督学习的移动边缘计算分流决策方法 - Google Patents
一种基于半监督学习的移动边缘计算分流决策方法 Download PDFInfo
- Publication number
- CN108600002A CN108600002A CN201810342371.6A CN201810342371A CN108600002A CN 108600002 A CN108600002 A CN 108600002A CN 201810342371 A CN201810342371 A CN 201810342371A CN 108600002 A CN108600002 A CN 108600002A
- Authority
- CN
- China
- Prior art keywords
- user
- task
- decision
- clouds
- shunting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/02—Traffic management, e.g. flow control or congestion control
- H04W28/10—Flow control between communication endpoints
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/08—Configuration management of networks or network elements
- H04L41/0803—Configuration setting
- H04L41/0823—Configuration setting characterised by the purposes of a change of settings, e.g. optimising configuration for enhancing reliability
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/50—Network services
- H04L67/60—Scheduling or organising the servicing of application requests, e.g. requests for application data transmissions using the analysis and optimisation of the required network resources
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
一种基于半监督学习的移动边缘计算分流决策方法,包括以下步骤:1)在一个由多个用户组成,并且每个用户都有多个独立的任务的移动通信系统中,计算出在给出分流决策下系统中所有的能量损耗;2)计算总的时间损耗考虑为所有时间消耗的总和;3)所有用户的分流决策将通过他们的发送数据DOnm和接收数据DInm的大小决定,半监督学习的作用则是将它们作为半监督学习中神经网络的输入,然后生成一个能使整个系统的能量损耗总和最小的分流决策。本发明通过半监督学习寻找出最优的分流决策方法,在保证用户体验的前提下最小化能量损耗,保证服务质量。
Description
技术领域
本发明属于通信领域,尤其是涉及移动边缘计算的通信系统以及用于基站节点的基于半监督学习的用户任务分流决策方法。
背景技术
随着无线通信技术的广泛发展,无线通信技术已经渗入到人类生活的方方面面。移动边缘计算拓展了移动设备的能力,在丰富的云资源的帮助下,用户体验得到极大提升。在一个多用户的移动通信系统中,所有用户共同占用传输资源。用户将自身的任务分流至基站或者云端时,可以减少自己的能量损耗,但这些被分流的任务的服务质量会受一些额外损耗的影响,比如传输延时。为了最小化所有的能量损耗,保证服务质量,最优的任务分流决策方法应用是很有必要的。
发明内容
为了克服现有的移动通信系统的能量损耗较大的不足,为了最小化系统中所有的能量损耗,保证服务质量,本发明提供了一种适用于移动边缘计算的基于半监督学习的分流决策方法,在保证用户体验的前提下最小化能量损耗。
本发明解决其技术问题所采取的技术方案是:
一种基于半监督的移动边缘计算分流决策方法,所述方法包括以下步骤:
1)在一个由多个用户组成,并且每个用户都有多个独立的任务的移动通信系统中,xnm为用户n的任务m的分流决策,如果xnm为1则表示用户n的任务m将被分流至基站或云端处理,xnm为0则表示在本地处理;当用户n的任务m被分流时,其上行传输速率和下行传输速率受传输总带宽CU和CD的限制;当用户n的任务m在本地处理时,本地移动设备所产生的能量损耗为如果在云端处理时,所产生的能量损耗为系统总损耗最小化表示为:
约束条件为:
式中:
其中,各参数定义如下:
N:用户人数;
M:每个用户的任务数;
xnm:用户n的任务m的分流决策,为1时表示在云端处理,为0时在本地处理;
用户n的任务m在本地处理时的能量损耗;
用户n的任务m被分流时,传输过程中能量损耗;
用户n的任务m在云端处理时的能量损耗;
ρ:在云端处理时,能量损耗的转化权重;
ωn:用户n延时损耗的转化权重;
用户n的任务m在本地处理时的延时损耗;
用户n的任务在云端处理时的总延时损耗;
2)为了保证服务质量,当任务在云端处理时,数据从本地上传到云端所消耗的时间以及处理时间都将被考虑在内,每个用户n的任务由发送数据DOnm和接收数据DInm组成,当任务分流至云端时,期间所消耗的时间与本地和基站间的传输速率RAC相关;在云端处理时,时间消耗由发送数据大小和云端处理速度fC决定,由于数据传输和处理时间会有重叠,而重叠部分难以估算,所以总的时间损耗考虑为所有时间消耗的总和
式中:
其中,各参数定义如下:
DInm:用户n的任务m的接收数据大小;
DOnm:用户n的任务m的发送数据大小;
用户n的上传速度;
用户n的下行速度;
RAC:基站与云端的传输速率;
ATnm:每处理单位的数据需要的处理循环次数;
fC:云端处理器的处理速度;
3)所有用户的分流决策将通过发送数据DOnm和接收数据DInm的大小决定,半监督学习的作用则是将它们作为半监督学习中神经网络的输入,然后生成一个能使整个系统的能量损耗总和最小的分流决策,即决定哪些用户的哪些任务在本地处理而哪些任务分流至云端处理;半监督学习中的神经网络用于分流决策预测,也是学习过程的核心,它接收所有用户的发送数据DOnm和接收数据DInm然后预测出一个分流决策,但这个分流决策不一定是最优的,所以之后将在预测出来的分流决策的基础上在生成另一个分流决策,然后通过计算选出这两个分流决策中最好的一个,最后在以好的那个分流决策作为神经网络的预测目标来优化神经网络,使其在下一次预测中能预测得更准;在不断重复这个过程中,神经网络将会预测得越来越准,直至收敛。
进一步,所述步骤3)中,半监督学习的迭代过程为:
步骤3.1:初始化半监督学习中的评估神经网络,迭代次数k初始化为1;
步骤3.2:当k小于或等于给定迭代次数K时,将所有用户的发送数据DOnm和接收数据DInm作为神经网络的输入,预测出初步的分流决策;
步骤3.3:在初步预测的分流决策的基础上,再产生另一种不同的分流决策;
步骤3.4:通过计算,选出这两种分流决策中能使总能量损耗更小的那个分流决策;
步骤3.5:将效果更好的分流决策和输入的所有用户的发送数据DOnm和接收数据DInm配对,组成一组带标签的数据,供神经网络学习;
步骤3.6:运用梯度下降算法和上一过程的数据,不断减小神经网络的误差,使其不断被优化,预测得更准,同时令k=k+1,回到步骤3.2;
步骤3.7:当k大于给定迭代次数K时,学习过程结束,得到最优的分流决策。
本发明的技术构思为:首先,在一个多用户的移动通信系统中,所有用户共同占用传输资源。用户将自身的任务分流至基站或者云端时,可以减少自己的能量损耗,但这些被分流的任务的服务质量会受一些额外损耗的影响,比如传输延时。如果用户的所有任务都在云端处理那么云端的能量损耗和传输损耗将直线上升,如果全部在本地处理,又会消耗用户很多的能量和时间。为了最小化整体的能量损耗,保证服务质量,提出了一种能找到最优的任务分流决策的方法。
本发明的有益效果主要表现在:通过半监督学习寻找出最优的分流决策方法,在保证用户体验的前提下最小化能量损耗,保证服务质量。
附图说明
图1是系统模型示意图。
图2是找到最优的任务分流决策的方法流程图。
具体实施方式
下面结合附图对本发明作进一步详细描述。
参照图1和图2,一种基于半监督学习的移动边缘计算分流决策方法,实行该方法能最小化整体的能量损耗,传输损耗和延时损耗,保证服务质量。本发明基于多用户的系统模型(如图1所示),提出了一个分流决策方法来决定哪些用户的哪些任务会被分流至云端,以达到最小的能量损耗。所述分流决策方法包括有以下步骤(如图2所示):
1)在一个由多个用户组成,并且每个用户都有多个独立的任务的移动通信系统中,xnm为用户n的任务m的分流决策,如果xnm为1则表示用户n的任务m将被分流至基站或云端处理,xnm为0则表示在本地处理。当用户n的任务m被分流时,其上行传输速率和下行传输速率受传输总带宽CU和CD的限制;当用户n的任务m在本地处理时,本地移动设备所产生的能量损耗为如果在云端处理时,所产生的能量损耗为综上所述,系统总损耗最小化表示为:
约束条件为:
式中:
其中,各参数定义如下:
N:用户人数;
M:每个用户的任务数;
xnm:用户n的任务m的分流决策,为1时表示在云端处理,为0时在本地处理;
用户n的任务m在本地处理时的能量损耗;
用户n的任务m被分流时,传输过程中能量损耗;
用户n的任务m在云端处理时的能量损耗;
ρ:在云端处理时,能量损耗的转化权重;
ωn:用户n延时损耗的转化权重;
用户n的任务m在本地处理时的延时损耗;
用户n的任务在云端处理时的总延时损耗;
2)为了保证服务质量,当任务在云端处理时,数据从本地上传到云端所消耗的时间以及处理时间都将被考虑在内,每个用户n的任务由发送数据DOnm和接收数据DInm组成,当任务分流至云端时,期间所消耗的时间与本地和基站间的传输速率RAC相关,在云端处理时,时间消耗由发送数据大小和云端处理速度fC决定,由于数据传输和处理时间会有重叠,而重叠部分难以估算,所以总的时间损耗考虑为所有时间消耗的总和
式中:
其中,各参数定义如下:
DInm:用户n的任务m的接收数据大小;
DOnm:用户n的任务m的发送数据大小;
用户n的上传速度;
用户n的下行速度;
RAC:基站与云端的传输速率;
ATnm:每处理单位的数据需要的处理循环次数;
fC:云端处理器的处理速度;
3)所有用户的分流决策将通过他们的发送数据DOnm和接收数据DInm的大小决定,半监督学习的作用则是将它们作为半监督学习中神经网络的输入,然后生成一个能使整个系统的能量损耗总和最小的分流决策,即决定哪些用户的哪些任务在本地处理而哪些任务分流至云端处理;半监督学习中的神经网络用于分流决策预测,也是学习过程的核心,它接收所有用户的发送数据DOnm和接收数据DInm然后预测出一个分流决策,但这个分流决策不一定是最优的,所以之后将在预测出来的分流决策的基础上在生成另一个分流决策,然后通过计算选出这两个分流决策中最好的一个,最后在以好的那个分流决策作为神经网络的预测目标来优化神经网络,使其在下一次预测中能预测得更准;在不断重复这个过程中,神经网络将会预测得越来越准,直至收敛。
所述步骤3)中,半监督学习的迭代过程为:
步骤3.1:初始化半监督学习中的评估神经网络,迭代次数k初始化为1;
步骤3.2:当k小于或等于给定迭代次数K时,将所有用户的发送数据DOnm和接收数据DInm作为神经网络的输入,预测出初步的分流决策;
步骤3.3:在初步预测的分流决策的基础上,再产生另一种不同的分流决策;
步骤3.4:通过计算,选出这两种分流决策中能使总能量损耗更小的那个分流决策;
步骤3.5:将效果更好的分流决策和输入的所有用户的发送数据DOnm和接收数据DInm配对,组成一组带标签的数据,供神经网络学习;
步骤3.6:运用梯度下降算法和上一过程的数据,不断减小神经网络的误差,使其不断被优化,预测得更准,同时令k=k+1,回到步骤3.2;
步骤3.7:当k大于给定迭代次数K时,学习过程结束,得到最优的分流决策。
Claims (2)
1.一种基于深度强化学习的移动边缘计算分流决策方法,其特征在于,所述方法包括以下步骤:
1)在一个由多个用户组成,并且每个用户都有多个独立的任务的移动通信系统中,xnm为用户n的任务m的分流决策,如果xnm为1则表示用户n的任务m将被分流至基站或云端处理,xnm为0则表示在本地处理;当用户n的任务m被分流时,其上行传输速率和下行传输速率受传输总带宽CU和CD的限制;当用户n的任务m在本地处理时,本地移动设备所产生的能量损耗为如果在云端处理时,所产生的能量损耗为系统总损耗最小化表示为:
约束条件为:
xnm∈{0,1},
式中:
其中,各参数定义如下:
N:用户人数;
M:每个用户的任务数;
xnm:用户n的任务m的分流决策,为1时表示在云端处理,为0时在本地处理;
用户n的任务m在本地处理时的能量损耗;
用户n的任务m被分流时,传输过程中能量损耗;
用户n的任务m在云端处理时的能量损耗;
ρ:在云端处理时,能量损耗的转化权重;
ωn:用户n延时损耗的转化权重;
用户n的任务m在本地处理时的延时损耗;
用户n的任务在云端处理时的总延时损耗;
2)为了保证服务质量,当任务在云端处理时,数据从本地上传到云端所消耗的时间以及处理时间都将被考虑在内,每个用户n的任务由发送数据DOnm和接收数据DInm组成,当任务分流至云端时,期间所消耗的时间与本地和基站间的传输速率RAC相关;在云端处理时,时间消耗由发送数据大小和云端处理速度fC决定,由于数据传输和处理时间会有重叠,而重叠部分难以估算,所以总的时间损耗考虑为所有时间消耗的总和
式中:
其中,各参数定义如下:
DInm:用户n的任务m的接收数据大小;
DOnm:用户n的任务m的发送数据大小;
用户n的上传速度;
用户n的下行速度;
RAC:基站与云端的传输速率;
ATnm:每处理单位的数据需要的处理循环次数;
fC:云端处理器的处理速度;
3)所有用户的分流决策将通过发送数据DOnm和接收数据DInm的大小决定,半监督学习的作用则是将它们作为半监督学习中神经网络的输入,然后生成一个能使整个系统的能量损耗总和最小的分流决策,即决定哪些用户的哪些任务在本地处理而哪些任务分流至云端处理;半监督学习中的神经网络用于分流决策预测,也是学习过程的核心,它接收所有用户的发送数据DOnm和接收数据DInm然后预测出一个分流决策,但这个分流决策不一定是最优的,所以之后将在预测出来的分流决策的基础上在生成另一个分流决策,然后通过计算选出这两个分流决策中最好的一个,最后在以好的那个分流决策作为神经网络的预测目标来优化神经网络,使其在下一次预测中能预测得更准;在不断重复这个过程中,神经网络将会预测得越来越准,直至收敛。
2.如权利要求1所述的一种基于深度强化学习的移动边缘计算分流决策方法,其特征在于:所述步骤3)中,半监督学习的迭代过程为:
步骤3.1:初始化半监督学习中的评估神经网络,迭代次数k初始化为1;
步骤3.2:当k小于或等于给定迭代次数K时,将所有用户的发送数据DOnm和接收数据DInm作为神经网络的输入,预测出初步的分流决策;
步骤3.3:在初步预测的分流决策的基础上,再产生另一种不同的分流决策;
步骤3.4:通过计算,选出这两种分流决策中能使总能量损耗更小的那个分流决策;
步骤3.5:将效果更好的分流决策和输入的所有用户的发送数据DOnm和接收数据DInm配对,组成一组带标签的数据,供神经网络学习;
步骤3.6:运用梯度下降算法和上一过程的数据,不断减小神经网络的误差,使其不断被优化,预测得更准,同时令k=k+1,回到步骤3.2;
步骤3.7:当k大于给定迭代次数K时,学习过程结束,得到最优的分流决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810342371.6A CN108600002B (zh) | 2018-04-17 | 2018-04-17 | 一种基于半监督学习的移动边缘计算分流决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810342371.6A CN108600002B (zh) | 2018-04-17 | 2018-04-17 | 一种基于半监督学习的移动边缘计算分流决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108600002A true CN108600002A (zh) | 2018-09-28 |
CN108600002B CN108600002B (zh) | 2021-02-26 |
Family
ID=63622858
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810342371.6A Active CN108600002B (zh) | 2018-04-17 | 2018-04-17 | 一种基于半监督学习的移动边缘计算分流决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108600002B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109981723A (zh) * | 2019-01-23 | 2019-07-05 | 桂林电子科技大学 | 基于深度强化学习的文件缓存处理系统及方法、通信系统 |
CN110417867A (zh) * | 2019-07-03 | 2019-11-05 | 河海大学 | 移动边缘环境下的Web服务QoS监控方法 |
WO2021098403A1 (zh) * | 2019-11-19 | 2021-05-27 | 中兴通讯股份有限公司 | 资源分配方法、服务器及存储介质 |
CN113574842A (zh) * | 2019-03-12 | 2021-10-29 | 三星电子株式会社 | 用于对应用请求的处理进行优化的方法和系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1578968A (zh) * | 2001-08-29 | 2005-02-09 | 霍尼韦尔国际公司 | 用于受监督的神经网络学习的组合方法 |
EP1359724B1 (en) * | 2002-04-30 | 2006-05-24 | Microsoft Corporation | Method to offload a network stack |
CN102184364A (zh) * | 2011-05-26 | 2011-09-14 | 南京财经大学 | 基于半监督学习的推荐系统托攻击检测方法 |
CN102611706A (zh) * | 2012-03-21 | 2012-07-25 | 清华大学 | 一种基于半监督学习的网络协议识别方法及系统 |
CN103150580A (zh) * | 2013-03-18 | 2013-06-12 | 武汉大学 | 一种高光谱图像半监督分类方法及装置 |
CN103324085A (zh) * | 2013-06-09 | 2013-09-25 | 中国科学院自动化研究所 | 基于监督式强化学习的最优控制方法 |
CN103648106A (zh) * | 2013-12-31 | 2014-03-19 | 哈尔滨工业大学 | 一种基于类别匹配的半监督流形学习的WiFi室内定位方法 |
CN104145510A (zh) * | 2012-02-28 | 2014-11-12 | 微软公司 | 网络连接的能量高效最大化 |
CN107787017A (zh) * | 2016-08-24 | 2018-03-09 | 大唐移动通信设备有限公司 | 一种自学习方式实现本地分流的方法 |
-
2018
- 2018-04-17 CN CN201810342371.6A patent/CN108600002B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1578968A (zh) * | 2001-08-29 | 2005-02-09 | 霍尼韦尔国际公司 | 用于受监督的神经网络学习的组合方法 |
EP1359724B1 (en) * | 2002-04-30 | 2006-05-24 | Microsoft Corporation | Method to offload a network stack |
CN102184364A (zh) * | 2011-05-26 | 2011-09-14 | 南京财经大学 | 基于半监督学习的推荐系统托攻击检测方法 |
CN104145510A (zh) * | 2012-02-28 | 2014-11-12 | 微软公司 | 网络连接的能量高效最大化 |
CN102611706A (zh) * | 2012-03-21 | 2012-07-25 | 清华大学 | 一种基于半监督学习的网络协议识别方法及系统 |
CN103150580A (zh) * | 2013-03-18 | 2013-06-12 | 武汉大学 | 一种高光谱图像半监督分类方法及装置 |
CN103324085A (zh) * | 2013-06-09 | 2013-09-25 | 中国科学院自动化研究所 | 基于监督式强化学习的最优控制方法 |
CN103648106A (zh) * | 2013-12-31 | 2014-03-19 | 哈尔滨工业大学 | 一种基于类别匹配的半监督流形学习的WiFi室内定位方法 |
CN107787017A (zh) * | 2016-08-24 | 2018-03-09 | 大唐移动通信设备有限公司 | 一种自学习方式实现本地分流的方法 |
Non-Patent Citations (1)
Title |
---|
MENG-HSI CHEN等: "Joint offloading decision and resource allocation for multi-user multi-task mobile cloud", 《 2016 IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109981723A (zh) * | 2019-01-23 | 2019-07-05 | 桂林电子科技大学 | 基于深度强化学习的文件缓存处理系统及方法、通信系统 |
CN109981723B (zh) * | 2019-01-23 | 2021-11-09 | 桂林电子科技大学 | 基于深度强化学习的文件缓存处理系统及方法、通信系统 |
CN113574842A (zh) * | 2019-03-12 | 2021-10-29 | 三星电子株式会社 | 用于对应用请求的处理进行优化的方法和系统 |
CN110417867A (zh) * | 2019-07-03 | 2019-11-05 | 河海大学 | 移动边缘环境下的Web服务QoS监控方法 |
CN110417867B (zh) * | 2019-07-03 | 2020-06-16 | 河海大学 | 移动边缘环境下的Web服务QoS监控方法 |
WO2021098403A1 (zh) * | 2019-11-19 | 2021-05-27 | 中兴通讯股份有限公司 | 资源分配方法、服务器及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108600002B (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shi et al. | Joint device scheduling and resource allocation for latency constrained wireless federated learning | |
CN108600002A (zh) | 一种基于半监督学习的移动边缘计算分流决策方法 | |
WO2022027776A1 (zh) | 边缘计算网络任务调度与资源分配方法和边缘计算系统 | |
CN112070240B (zh) | 一种高效通信的分层联邦学习框架及其优化方法和系统 | |
CN109947545A (zh) | 一种基于用户移动性的任务卸载及迁移的决策方法 | |
CN108632861A (zh) | 一种基于深度强化学习的移动边缘计算分流决策方法 | |
Liu et al. | Wireless distributed learning: A new hybrid split and federated learning approach | |
CN104394535B (zh) | 面向协作通信的基站规划方法 | |
CN114553661B (zh) | 一种面向无线联邦学习的移动用户设备分簇训练方法 | |
Zhong et al. | Deep reinforcement learning-based optimization for IRS-assisted cognitive radio systems | |
Sun et al. | Lightweight digital twin and federated learning with distributed incentive in air-ground 6G networks | |
CN110167176A (zh) | 一种基于分布式机器学习的无线网络资源分配方法 | |
CN114327889A (zh) | 一种面向分层联邦边缘学习的模型训练节点选择方法 | |
Kuang et al. | Client selection with bandwidth allocation in federated learning | |
CN103944618B (zh) | 大规模miso协同能效发送方法 | |
CN108650710B (zh) | 基于混合多址接入的无线供能通信网络的资源分配方法 | |
CN102917391B (zh) | 一种信息处理方法、终端及网络侧设备 | |
CN110190982B (zh) | 基于公平时间的非正交多址接入边缘计算时间和能耗优化 | |
CN108738046A (zh) | 一种基于半监督学习的移动边缘计算速率最大化方法 | |
Farajzadeh et al. | FLSTRA: Federated learning in stratosphere | |
Liu et al. | Adaptive federated pruning in hierarchical wireless networks | |
CN114615705B (zh) | 一种基于5g网络下单用户资源分配策略方法 | |
CN110022381A (zh) | 一种负载分担方法及装置 | |
CN108738045A (zh) | 一种基于深度确定性策略梯度方法的移动边缘计算速率最大化方法 | |
CN105392194B (zh) | 基于异构网络室内定位框架最优通信的能耗精度均衡方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |