CN113472842B - 移动边缘计算网络中的用户状态感知方法及相关设备 - Google Patents
移动边缘计算网络中的用户状态感知方法及相关设备 Download PDFInfo
- Publication number
- CN113472842B CN113472842B CN202110565287.2A CN202110565287A CN113472842B CN 113472842 B CN113472842 B CN 113472842B CN 202110565287 A CN202110565287 A CN 202110565287A CN 113472842 B CN113472842 B CN 113472842B
- Authority
- CN
- China
- Prior art keywords
- base station
- user terminal
- perception
- data
- strategy
- 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.)
- Active
Links
Images
Classifications
-
- 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
- H04L67/01—Protocols
- H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
-
- 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
- H04L67/01—Protocols
- H04L67/10—Protocols in which an application is distributed across nodes in the network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W28/00—Network traffic management; Network resource management
- H04W28/16—Central resource management; Negotiation of resources or communication parameters, e.g. negotiating bandwidth or QoS [Quality of Service]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本公开提供了一种移动边缘计算网络中的用户状态感知方法及相关设备,该方法包括:通过在用户终端设备中预设的深度强化学习模型确定感知策略,所述感知策略为采样或不采样;响应于确定所述感知策略为采样,所述用户终端设备向基站发送上传数据请求;响应于接收到所述上传数据请求,所述基站基于历史基站侧信息年龄从所有发送所述上传数据请求的所述用户终端设备中确定上传设备集;所述上传设备集中的用户终端设备分别向所述基站发送各自的当前感知数据,所述基站将所述当前感知数据发送给移动边缘计算服务器。本公开通过用户状态信息的自感知、基站上行子载波方案的优化,更高效地利用网络资源、降低移动终端的业务处理时延。
Description
技术领域
本公开涉及通信技术领域,尤其涉及一种移动边缘计算网络中的用户状态感知方法及相关设备。
背景技术
移动边缘计算(Mobile Edge Computing,MEC)技术通过将计算存储能力与业务能力向网络边缘迁移,尽可能不用将数据回传到云端,减少数据往返云端的等待时间和网络成本。MEC将云计算和云存储拉近到网络边缘后,可以创造出一个具备高性能、低延迟与高带宽的电信级服务环境,加速网络中各项内容、服务及应用的分发和下载,让消费者享有更高质量网络体验。MEC服务器对用户状态的准确感知能够充分利用有限的带宽资源,减少网络资源的浪费。
目前,现有方案依据采样的时延指标对用户设备的感知方案进行优化,虽然能够保证每个用户设备获得较为平均的采样机会和资源分配方案,但是由于不同用户设备的物理过程不同,均一的采样频率会导致网络资源的浪费,造成MEC服务器无法准确感知每一用户设备的动态过程。
发明内容
有鉴于此,本公开的目的在于提出一种移动边缘计算网络中的用户状态感知方法及相关设备。
基于上述目的,本公开提供了一种移动边缘计算网络中的用户状态感知方法,包括:
通过在用户终端设备中预设的深度强化学习模型确定感知策略,所述感知策略为采样或不采样;
响应于确定所述感知策略为采样,所述用户终端设备向基站发送上传数据请求;
响应于接收到所述上传数据请求,所述基站基于历史基站侧信息年龄从所有发送所述上传数据请求的所述用户终端设备中确定上传设备集;
所述上传设备集中的用户终端设备分别向所述基站发送各自的当前感知数据,所述基站将所述当前感知数据发送给移动边缘计算服务器。
进一步的,所述移动边缘计算服务器基于所述当前感知数据对所述感知策略进行评估,并将评估结果经由所述基站发送给所有所述用户终端设备;所述用户终端设备基于所述评估结果调整所述感知策略。
进一步的,所述通过在用户终端设备中预设的深度强化学习模型确定感知策略,包括:基于所述用户终端设备的历史感知数据和当前感知数据,计算得到所述用户终端设备信息年龄,基于所述用户终端设备信息年龄确定所述感知策略。
进一步的,所述基站基于历史基站侧信息年龄从所有发送所述上传数据请求的所述用户终端设备中确定上传设备集,包括:将所述历史基站侧信息年龄从大到小进行排序,选取前k个所述历史基站侧信息年龄对应的所述用户终端设备作为上传设备集,将所述基站的子载波分配给所述上传设备集中的用户终端设备以上传所述当前感知数据,其中k为所述基站的子载波数量。
进一步的,所述移动边缘计算服务器基于所述当前感知数据对所述感知策略进行评估,包括:所述移动边缘计算服务器基于所述历史基站侧信息年龄和所述当前感知数据计算当前基站侧信息年龄。
进一步的,其中,所述用户终端设备基于所述评估结果调整所述感知策略,包括:所述用户终端设备将所述评估结果输入所述深度强化学习模型,以输出新的感知策略。
基于同一发明构思,本公开提供了一种移动边缘计算网络中的用户状态感知装置,包括:
感知策略确定模块,被配置为通过在用户终端设备中预设的深度强化学习模型确定感知策略,所述感知策略为采样或不采样;
数据请求上传模块,被配置为响应于确定所述感知策略为采样,所述用户终端设备向基站发送上传数据请求;
上传设备确定模块,被配置为响应于接收到所述上传数据请求,所述基站基于历史基站侧信息年龄从所有发送所述上传数据请求的所述用户终端设备中确定上传设备集;
感知数据上传模块,被配置为所述上传设备集中的用户终端设备分别向所述基站发送各自的当前感知数据,所述基站将所述当前感知数据发送给移动边缘计算服务器。
进一步的,还包括:评估模块,被配置为所述移动边缘计算服务器基于所述当前感知数据对所述感知策略进行评估,并将评估结果经由所述基站发送给所有所述用户终端设备;调整模块,被配置为所述用户终端设备基于所述评估结果调整所述感知策略。
基于同一发明构思,本公开提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如上任意一项所述的方法。
基于同一发明构思,本公开提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行如上任一项所述的方法。
从上面所述可以看出,本公开提供的一种移动边缘计算网络中的用户状态感知方法及相关设备,通过用户状态信息的自感知、基站上行子载波方案的优化,以及MEC服务器对用户设备的感知策略和基站子载波优化方案的评估策略,实现了MEC服务器对于用户设备动态信息的实时监测,为MEC网络资源优化方案和用户实时追踪提供了有效的信息支持基础,更高效地利用网络资源、降低移动终端的业务处理时延。
附图说明
为了更清楚地说明本公开或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例的移动边缘计算网络中的用户状态感知方法的流程示意图;
图2为本公开实施例的本公开实施例的移动边缘计算网络中的用户状态感知装置的结构示意图;
图3为本公开实施例的电子设备的结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本公开进一步详细说明。
需要说明的是,除非另外定义,本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。
如背景技术所述,为了解决用户动态信息的感知问题,现有方案依据等待采样的时延指标对用户设备的感知方案进行优化。但是该方法基于用户设备的采样间隔的优化只能保证每个用户设备获得较为公平的采样机会和资源分配方案。然而,实际场景中,不同用户设备所经历的物理过程是完全不同的,其物理变化的速率亦有快有慢。若使用均衡的信息感知策略,会使得MEC服务器对于变化较快的用户动态过程与变化较慢的用户动态过程使用同一的采样频率,导致网络资源的浪费,造成MEC服务器无法准确感知每一用户设备的动态过程。
为了在移动边缘计算网络中实时感知用户状态信息,以实现根据用户状态定制化分配网络资源,提高网络资源利用率,本公开提出了一种移动边缘计算网络中的用户状态感知方法。该方法基于现有蜂窝小区架构下正交频分多址协议(Orthogonal FrequencyDivision Multiple Access,OFDMA),利用MEC服务器的数据处理能力,设计了基于信息年龄(Age of information,AoI)的感知信令流程,从而保证了MEC服务器对网络中用户状态的准确感知。
以下结合附图来详细说明本公开的实施例。
参考图1,本公开提供了一种移动边缘计算网络中的用户状态感知方法,包括以下步骤:
步骤S101、通过在用户终端设备中预设的深度强化学习模型确定感知策略,所述感知策略为采样或不采样。
具体的,在用户终端设备中部署深度强化学习模型,该模型基于当前经历的物理过程状态和当前感知数据的信息年龄作为输入,输出感知策略,感知策略分为两种情况,一种为采样,另一种为不采样。这里的采样是指用户终端设备采集当前感知数据的过程,当前感知数据可以为周围环境数据,例如温度和湿度等等。
步骤S102、响应于确定所述感知策略为采样,所述用户终端设备向基站发送上传数据请求。
具体的,当感知策略为采样时,用户终端设备向基站发送上行链路的数据请求。当感知策略为不采样时,用户终端设备保持静默。
步骤S103、响应于接收到所述上传数据请求,所述基站基于历史基站侧信息年龄从所有发送所述上传数据请求的所述用户终端设备中确定上传设备集。
具体的,基站根据当前所有用户的上传请求,以及所有用户的历史请求记录,利用动态规划,计算历史基站侧信息年龄,并基于历史基站侧信息年龄确定最优的上行子载波分配方案,也即确定将有限的子载波具体分配给哪些用户终端设备用以上传其当前感知数据,被分配到子载波的用户终端设备组成上传设备集。
步骤S104、所述上传设备集中的用户终端设备分别向所述基站发送各自的当前感知数据,所述基站将所述当前感知数据发送给移动边缘计算服务器。
具体的,上传设备集中的用户终端设备将自身的当前感知数据通过子载波发送给基站侧,基站再将所有当前感知数据发送给移动边缘计算服务器,移动边缘计算服务器以此感知用户终端设备的用户状态。
在一些实施例中,所述移动边缘计算服务器基于所述当前感知数据对所述感知策略进行评估,并将评估结果经由所述基站发送给所有所述用户终端设备,所述用户终端设备基于所述评估结果调整所述感知策略。
具体的,在移动边缘计算服务器接收到当前感知数据后,通过对其进行评估再反馈给用户终端设备,用户终端设备依据评估结果来调整自身的感知策略,整个感知和反馈过程不断循环,从而有效优化网络资源的分配。
在一些实施例中,所述移动边缘计算服务器基于所述当前感知数据对所述感知策略进行评估,并将评估结果经由所述基站发送给所有所述用户终端设备;所述用户终端设备基于所述评估结果调整所述感知策略。
具体的,移动边缘计算服务器根据手机到的感知数据,依据动态方程重建用户终端的物理动态过程,并依据重建结果,评估所有用户终端设备的感知策略。将评估结果经由基站发送给各个用户终端设备,用户终端设备依据得到的评估结果对各自的感知策略进行调整,更新本地神经网络。
在一些实施例中,所述通过在用户终端设备中预设的深度强化学习模型确定感知策略,包括:基于所述用户终端设备的历史感知数据和当前感知数据,计算得到所述用户终端设备信息年龄,基于所述用户终端设备信息年龄确定所述感知策略。
具体的,用户终端设备部署了深度强化学习网络的本地模型。该模型以用户当前经历的物理过程状态和当前数据的信息年龄为输入,以感知策略为输出,神经网络的权重决定了模型输入和输出的映射关系。用户终端设备通过历史感知数据,利用非线性状态方程对当前物理过程进行建模,建模方法如下所示:
xm,t+1=Amxm,t+1+Bmfm(xm,t)+òm,t (1)
其中,xm,t表示t时刻用户终端设备m的环境感知向量,xm,t+1表示t+1时刻用户终端设备m的环境感知向量,Am和Bm分别表示该方程的线性项系数与非线性项系数,òm,t表示自然界噪声。根据历史感知数据,用户终端设备可以对当前状态信息进行评估,该评估值为:
其中,Jfm(xm,t)是一阶导数的雅各比矩阵,o(||ym,t||)表示ym,t的高阶项,μi,t是雅各比矩阵的特征值,U是初等变换矩阵,ξm是设备最高可分辨的采样频率,zm是采样数据维度。依据奈奎斯特采样准则,由物理变化的原频率Ωm,t,可算出无误差感知的最大采样间隔为:
Δm,t=π/Ωm,t (6)
由此,用户终端设备信息年龄的定义为:
其中,τ表示系统中最小的时间间隔。当φm,t=max{0,δm(t)-Δm,t}时,用户终端设备的感知策略为采样,当φm,t=min{φm,t-1+τ,φm,t}时,用户终端设备的感知策略为不采样。
在一些实施例中,所述基站基于历史基站侧信息年龄从所有发送所述上传数据请求的所述用户终端设备中确定上传设备集,包括:将所述历史基站侧信息年龄从大到小进行排序,选取前k个所述历史基站侧信息年龄对应的所述用户终端设备作为上传设备集,将所述基站的子载波分配给所述上传设备集中的用户终端设备以上传所述当前感知数据,其中k为所述基站的子载波数量。
具体的,历史基站侧信息年龄Φm,t的具体算法如下:
其中,lm,t为用户设备m的数据上行发送时延,φm,t为用户终端设备m的信息年龄,τ表示系统中最小的时间间隔。当用户终端设备m分配子载波时,历史基站侧信息年龄为Φm,t=φm,t+lm,t,当用户终端设备m未分配子载波时,历史基站侧信息年龄为Φm,t=min{Φm,t-1+τ,Φmax}。将所有用户终端设备的历史基站侧信息年龄从大到小排序,从发送上传数据请求的用户终端设备中选取前k个历史基站侧信息年龄较大的作为上传设备集,k的数值为基站的子载波数量。每一个上传设备集中的用户终端设备将被分配一个子载波用来上传各自的感知数据。
在一些实施例中,所述移动边缘计算服务器基于所述当前感知数据对所述感知策略进行评估,包括:所述移动边缘计算服务器基于所述历史基站侧信息年龄和所述当前感知数据计算当前基站侧信息年龄。
具体的,当上传设备集中的用户终端设备上传完各自的当前感知数据后,移动边缘计算服务器利用公式(1)和公式(2),对当前感知数据进行更新恢复,并经由公式(3)至(8)计算各个用户终端设备的当前基站侧信息年龄。将当前基站侧信息年龄经由基站返回给各个用户终端设备。
在一些实施例中,所述用户终端设备基于所述评估结果调整所述感知策略,包括:所述用户终端设备将所述评估结果输入所述深度强化学习模型,以输出新的感知策略。
具体的,接收到经由基站返回的各个用户终端设备的当前基站侧信息年龄,将当前基站侧信息年龄作为深度强化学习模型新的输入项进行输入,模型将输出新的感知策略,各个用户终端设备将根据新的感知策略对自身的感知策略进行调整,以此适应其他设备的感知策略及基站的上行子载波分配策略,优化当前的感知方案。
需要说明的是,本公开实施例的方法可以由单个设备执行,例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下,由多台设备相互配合来完成。在这种分布式场景的情况下,这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤,这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是,上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,与上述任意实施例方法相对应的,本公开还提供了一种移动边缘计算网络中的用户状态感知装置。
参考图2,所述移动边缘计算网络中的用户状态感知装置,包括:
感知策略确定模块201,被配置为通过在用户终端设备中预设的深度强化学习模型确定感知策略,所述感知策略为采样或不采样;
数据请求上传模块202,被配置为响应于确定所述感知策略为采样,所述用户终端设备向基站发送上传数据请求;
上传设备确定模块203,被配置为响应于接收到所述上传数据请求,所述基站基于历史基站侧信息年龄从所有发送所述上传数据请求的所述用户终端设备中确定上传设备集;
感知数据上传模块204,被配置为所述上传设备集中的用户终端设备分别向所述基站发送各自的当前感知数据,所述基站将所述当前感知数据发送给移动边缘计算服务器。
在一些实施例中,还包括:
评估模块205,被配置为所述移动边缘计算服务器基于所述当前感知数据对所述感知策略进行评估,并将评估结果经由所述基站发送给所有所述用户终端设备;
调整模块206,被配置为所述用户终端设备基于所述评估结果调整所述感知策略。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的移动边缘计算网络中的用户状态感知方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本公开还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上任意一实施例所述的移动边缘计算网络中的用户状态感知方法。
图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的移动边缘计算网络中的用户状态感知方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本公开还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任一实施例所述的移动边缘计算网络中的用户状态感知方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的移动边缘计算网络中的用户状态感知方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本公开的范围(包括权利要求)被限于这些例子;在本公开的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本公开实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本公开实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本公开实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本公开的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本公开实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (8)
1.一种移动边缘计算网络中的用户状态感知方法,包括:
通过在用户终端设备中预设的深度强化学习模型确定感知策略,所述感知策略为采样或不采样;
响应于确定所述感知策略为采样,所述用户终端设备向基站发送上传数据请求;
响应于接收到所述上传数据请求,所述基站基于历史基站侧信息年龄从所有发送所述上传数据请求的所述用户终端设备中确定上传设备集;
所述上传设备集中的用户终端设备分别向所述基站发送各自的当前感知数据,所述基站将所述当前感知数据发送给移动边缘计算服务器;
所述移动边缘计算服务器基于所述当前感知数据对所述感知策略进行评估,并将评估结果经由所述基站发送给所有所述用户终端设备;
所述用户终端设备基于所述评估结果调整所述感知策略。
2.根据权利要求1所述的用户状态感知方法,其中,所述通过在用户终端设备中预设的深度强化学习模型确定感知策略,包括:
基于所述用户终端设备的历史感知数据和当前感知数据,计算得到所述用户终端设备信息年龄,基于所述用户终端设备信息年龄确定所述感知策略。
3.根据权利要求1所述的用户状态感知方法,其中,所述基站基于历史基站侧信息年龄从所有发送所述上传数据请求的所述用户终端设备中确定上传设备集,包括:
将所述历史基站侧信息年龄从大到小进行排序,选取前k个所述历史基站侧信息年龄对应的所述用户终端设备作为上传设备集,将所述基站的子载波分配给所述上传设备集中的用户终端设备以上传所述当前感知数据,其中k为所述基站的子载波数量。
4.根据权利要求1所述的用户状态感知方法,其中,所述移动边缘计算服务器基于所述当前感知数据对所述感知策略进行评估,包括:
所述移动边缘计算服务器基于所述历史基站侧信息年龄和所述当前感知数据计算当前基站侧信息年龄。
5.根据权利要求1所述的用户状态感知方法,其中,所述用户终端设备基于所述评估结果调整所述感知策略,包括:
所述用户终端设备将所述评估结果输入所述深度强化学习模型,以输出新的感知策略。
6.一种移动边缘计算网络中的用户状态感知装置,包括:
感知策略确定模块,被配置为通过在用户终端设备中预设的深度强化学习模型确定感知策略,所述感知策略为采样或不采样;
数据请求上传模块,被配置为响应于确定所述感知策略为采样,所述用户终端设备向基站发送上传数据请求;
上传设备确定模块,被配置为响应于接收到所述上传数据请求,所述基站基于历史基站侧信息年龄从所有发送所述上传数据请求的所述用户终端设备中确定上传设备集;
感知数据上传模块,被配置为所述上传设备集中的用户终端设备分别向所述基站发送各自的当前感知数据,所述基站将所述当前感知数据发送给移动边缘计算服务器;
评估模块,被配置为所述移动边缘计算服务器基于所述当前感知数据对所述感知策略进行评估,并将评估结果经由所述基站发送给所有所述用户终端设备;
调整模块,被配置为所述用户终端设备基于所述评估结果调整所述感知策略。
7.一种电子设备,包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现根据权利要求1至5中任意一项所述的方法。
8.一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行根据权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110565287.2A CN113472842B (zh) | 2021-05-24 | 2021-05-24 | 移动边缘计算网络中的用户状态感知方法及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110565287.2A CN113472842B (zh) | 2021-05-24 | 2021-05-24 | 移动边缘计算网络中的用户状态感知方法及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113472842A CN113472842A (zh) | 2021-10-01 |
CN113472842B true CN113472842B (zh) | 2023-01-10 |
Family
ID=77871286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110565287.2A Active CN113472842B (zh) | 2021-05-24 | 2021-05-24 | 移动边缘计算网络中的用户状态感知方法及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113472842B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112672307A (zh) * | 2021-03-18 | 2021-04-16 | 浙江工商大学 | 一种基于q学习的无人机辅助数据收集系统及方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111224875B (zh) * | 2019-12-26 | 2021-03-19 | 北京邮电大学 | 基于信息价值确定联合数据采集及传输策略的方法及装置 |
CN111694655B (zh) * | 2020-03-12 | 2023-08-29 | 武汉大学 | 一种面向多任务的边缘计算资源分配方法 |
CN111970378B (zh) * | 2020-08-28 | 2022-08-30 | 重庆邮电大学 | 一种基于信息年龄度量的边缘协作方法 |
CN112671451B (zh) * | 2020-12-10 | 2022-11-18 | 北京邮电大学 | 一种无人机数据收集方法、设备、电子设备及存储介质 |
-
2021
- 2021-05-24 CN CN202110565287.2A patent/CN113472842B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112672307A (zh) * | 2021-03-18 | 2021-04-16 | 浙江工商大学 | 一种基于q学习的无人机辅助数据收集系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113472842A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112379982B (zh) | 任务处理方法、装置、电子设备及计算机可读存储介质 | |
CN110445632B (zh) | 一种预防客户端崩溃的方法和装置 | |
CN110650209A (zh) | 实现负载均衡的方法和装置 | |
CN107454136B (zh) | 一种基于端到端p2p的计算卸载方法、装置及控制设备 | |
CN110009101B (zh) | 用于生成量化神经网络的方法和装置 | |
CN116388112B (zh) | 异常供应端断电方法、装置、电子设备和计算机可读介质 | |
CN116703131B (zh) | 电力资源分配方法、装置、电子设备和计算机可读介质 | |
CN111278085B (zh) | 用于获取目标网络的方法及装置 | |
KR102350195B1 (ko) | 모바일 엣지 컴퓨팅을 활용하는 모바일 증강현실 서비스의 모바일 단말 에너지 최적화 방법 및 시스템 | |
CN113472842B (zh) | 移动边缘计算网络中的用户状态感知方法及相关设备 | |
CN110995856B (zh) | 一种服务器扩展的方法、装置、设备及存储介质 | |
CN111385150A (zh) | 用于获取信息的方法及装置 | |
CN117241092A (zh) | 一种视频处理方法、装置、存储介质及电子设备 | |
CN114327846A (zh) | 集群的扩容方法、装置、电子设备及计算机可读存储介质 | |
CN115759444B (zh) | 电力设备分配方法、装置、电子设备和计算机可读介质 | |
CN111158893B (zh) | 应用于雾计算网络的任务卸载方法、系统、设备及介质 | |
CN113660699A (zh) | 一种智能集群联网方法、装置及电子设备 | |
CN109471574B (zh) | 用于配置资源的方法及装置 | |
CN111367592B (zh) | 信息处理方法和装置 | |
CN113271606A (zh) | 云原生移动网络稳定性保障的业务调度方法及电子设备 | |
CN112181605A (zh) | 负载均衡方法、装置、电子设备和计算机可读介质 | |
CN113132445A (zh) | 资源调度方法、设备、网络系统及存储介质 | |
CN111680754A (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
CN109948789A (zh) | 用于卷积神经网络的数据加载方法和装置 | |
Huaijun et al. | Research and implementation of mobile cloud computing offloading system based on Docker container |
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 |