CN114285862B - 基于智能反射面反向散射通信的数据卸载通信方法及系统 - Google Patents

Abstract

本发明公开了一种基于智能反射面反向散射通信的数据卸载通信方法及系统，收集来自能量站的环境信号能量，在第一阶段提供于本地计算、能量收集电路和在入射到智能反射面时存入储能器，在第二个阶段将储存的能量提供于卸载部分计算数据的智能反射面反向散射通信和本地计算电路；对于可建模计算和比特最大化问题，通过联合优化能量站的波束成形、智能反射面的反向散射矩阵、两阶段过程的时间分配以及本地计算时间，使计算和比特最大化。本发明能以无线供能的智能反射面反向散射通信实现数据任务卸载，借助能量收集技术、反向散射通信技术和智能反射面技术，能够以低功耗的方式进行数据卸载，与有源天线方案相比，能够获得相同甚至更高的计算和比特。

Description

基于智能反射面反向散射通信的数据卸载通信方法及系统

技术领域

本发明属于无线通信技术领域，具体涉及一种基于智能反射面反向散射通信的数据卸载通信方法及系统。

背景技术

出于成本、尺寸和电池容量等因素，物联网(Internet of Things，IoT)设备的计算能力严重受限。然而，现实中常会遇到计算和时延敏感的任务。为了提供与任务相匹配的计算能力，亟需一种新的方法来提升算力和能量受限的IoT设备的计算能力和使用寿命。为了解决数据处理这一挑战，移动边缘计算(Mobile Edge Computing，MEC)技术得到了广泛的研究。该技术的核心思想是将IoT设备的数据处理任务卸载到周边具有强大计算能力的MEC服务器，然后MEC服务器快速完成计算任务，进而减少计算时延。为了减少能量受限的不利影响，能量收集(Energy Harvesting，EH)技术得到了广泛关注。该技术旨在收集环境中的射频(Radio Frequency，RF)信号用于供应无线设备(Wireless Device，WD)。可以预见，MEC和EH的集成将提供一种新的方式来提升低功耗IoT设备的数据卸载能力。

尽管使用EH技术收集无线能量能够在一定程度上缓解功耗问题，但是仅仅依靠EH技术仍然无法满足高耗能任务的需求。为进一步减少能耗和提高能效，反向散射通信(Backscatter Communication，BackCom)技术被引入到无线供能移动边缘计算网络。通过BackCom技术，接收到的无线信号可以被重新调制，来实现反向散射设备自身的数据传输。通过集成MEC、EH技术和BackCom技术可以实现一种自我维持的无线供能数据卸载系统。

最近快速发展的智能反射面(Intelligent Reflecting Surface，IRS)技术可以进一步提升BackCom和EH技术的性能。智能反射面是一种由许多无源元素单元组成的可编程二维超表面，能够高效地控制入射电磁波(Electromagnetic，EM)的反射特性，具有低成本、低功耗、易扩展和高空间自由度等优点。

发明内容

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，提供一种基于智能反射面反向散射通信的数据卸载通信方法及系统，以自我维持的方式在能量受限的移动边缘计算网络中实现计算任务卸载。

本发明采用以下技术方案：

基于智能反射面反向散射通信的数据卸载通信方法，包括以下步骤：

S1、建立基于智能反射面反向散射通信的无线供能移动边缘计算系统，无线供能移动边缘计算系统包括一个能量站、无线设备、智能反射面和储能器；能量站的射频信号作为无线设备的能量源，无线设备分别连接智能反射面和储能器，智能反射面在第一阶段收集并存储能量，智能反射面在第二阶段释放能量用于反向散射通信卸载数据比特到移动边缘计算服务器；

S2、联合优化步骤S1无线供能移动边缘计算系统中能量站的波束成形、智能反射面的反向散射矩阵、智能反射面第一阶段和第二阶段过程的时间分配以及本地计算时间，建立计算和比特最大化目标函数；

S3、分解步骤S2的计算和比特最大化目标函数为三个问题，对单位时间能量收集最大化问题，调用半定松弛方法以及奇异值分解或高斯随机化方法求得能量站的波束成形最优解，使智能反射面收集到能量用于本地计算电路消耗和数据卸载能量消耗；对反向散射通信速率最大化问题，依二次变换和块坐标下降法求得智能反射面的反向散射矩阵最优解，使智能反射面与移动边缘计算服务器之间的通信速率最大化；对时间参数T₁、T₂和T_c的优化问题，联合能量站的波束成形最优解和反向散射矩阵的最优解，再利用线性规划法解求得最优时间分配或取值，使本地计算比特与数据卸载比特的和最大化，完成数据卸载通信。

具体的，步骤S1中，智能反射面在第一阶段T₁，入射智能反射面的信号能量一部分用于本地计算和能量收集电路，剩余部分存入储能器中；智能反射面接收的信号y_I,1为：

智能反射面的收集功率E为：

E＝χT₁P||Hw₁||²

其中，χ为智能反射面的能量收集效率，P为能量站的发射功率，H为从能量站到智能反射面的信道增益，w₁为能量站在第一阶段的波束成形，n_I是智能反射面的高斯白噪声。

具体的，步骤S1中，智能反射面在第二阶段T₂，储能器中保存的能量被用于智能反射面反向散射通信和本地计算电路；反向散射通信卸载数据比特R_b为：

无线设备执行的本地计算比特R_c及无线设备相应的能耗E_c为：

其中，W为带宽，K为移动边缘计算服务器数量，γ_k,2为移动边缘计算服务器k的信干噪比，T_c为本地计算时间，f_c为CPU的计算频率，C_c为CPU计算单位比特所需周期数，ε_c为无线设备的处理器中CPU能耗系数。

进一步的，移动边缘计算服务器k收到信号y_k,2为：

移动边缘计算服务器k的信干噪比γ_k,2为：

其中，P为能量站的发射功率，

为能量站到移动边缘计算服务器的信道增益，w₂为能量站在第二阶段的波束成形，s为原信号，K为移动边缘计算服务器数量，θ_i ^H为智能反射面的共轭转置波束成形向量，x_i为调制后的载信信号，Φ_k为能量站到智能反射面的信道增益对角矩阵，n_k为移动边缘计算服务器的高斯白噪声，

为能量站在第二阶段的共轭转置波束成形矩阵，θ_k为智能反射面调制后的波束成形向量，

为高斯白噪声的方差。

具体的，步骤S2中，计算和比特最大化目标函数具体为：

(P1)

E ≥T₂Lμ+E_c,

T₁+T₂＝T,

T₁≥0,T₂≥0,0≤T_c≤T

其中，R_c为无线设备执行的本地计算比特，R_b为反向散射通信卸载数据比特，θ_k为智能反射面调制后的波束成形向量，l为智能反射面元素单元数量，

为智能反射面的元素单元数量集合，L为智能反射面的元素单元总数量，μ为单个元素单元的能耗，E_c为无线设备相应的能耗，T_c为本地计算时间，w₁为能量站在第一阶段的波束成形，w₂为能量站在第二阶段的波束成形。

具体的，步骤S3中，对单位时间能量收集最大化问题，对能量站在第一阶段的波束成形w₁的优化问题表示为：

E为智能反射面的收集能量，

使用半定松弛法将问题等价转换为：

s.t.W₁≥0,Tr(W₁)≤1

rank(W₁)＝1

忽略约束rank(W₁)＝1，有：

(P2)

s.t.W₁≥0,Tr(W₁)≤1

基于单位时间能量收集最大化问题的最优解

通过奇异值分解或高斯随机化方法能够恢复一个秩1的解

具体的，步骤S3中，对反向散射通信速率最大化问题具体为：

引入辅助变量α_k对反向散射通信速率最大化问题进行转换，利用块坐标下降法循环优化变量w₂、θ_k、α_k和β_k得到反向散射通信速率最大化问题的解如下：

(P4)

对于BackCom速率最大化问题的最优解

由奇异值分解或高斯随机化方法可恢复秩1的解

K为移动边缘计算服务器数量，R_k为智能反射面与移动边缘计算服务器的之间增益矩阵，

为智能反射面的波束成形向量左乘自身的共轭向量的积估计，β_k为辅助变量，W₂为能量站在第二阶段的波束成形矩阵，

为能量站到智能反射面的信道增益共轭对角矩阵，Θ_i为智能反射面的波束成形矩阵，Φ_k为能量站到智能反射面的信道增益对角矩阵，l为智能反射面的元素单元数量，

为智能反射面的元素单元数量的集合，

为移动边缘计算服务器的数量的集合，L为智能反射面的元素单元总数量。

进一步的，利用块坐标下降法循环优化变量w₂、θ_k、α_k和β_k得到反向散射通信速率最大化问题的解具体为：

给定w₂和θ_k，推导出：

其中，w₂和θ_k指上一次循环迭代的结果；

2)给定θ_k、α_k和β_k，化简反向散射通信速率最大化问题中的目标函数；反向散射通信速率最大化问题重新表述为：

与此问题相关的拉格朗日函数

表示为：

其中，η表示与约束有关的拉格朗日乘子，令

推导得到最优解

即

其中，η^°为单个元素单元的最优能耗，I为高斯白噪声方向向量，U为为信道增益和式，v为信道增益和式；

3)给定w₂、α_k和β_k，化简BackCom速率最大化问题中的目标函数，根据二次约束二次规划理论得：

其中，

为辅助变量标量，

为能量站在第二阶段的波束成形共轭矩阵，

为能量站到智能反射面的信道增益共轭矩阵，θ_k为智能反射面调制后的波束成形，Φ_k为能量站到智能反射面的信道增益矩阵，w₂为能量站在第二阶段的波束成形矩阵，

为波束成形共轭向量估计，R_k为智能反射面与移动边缘计算服务器的之间增益矩阵，

为波束成形向量估计，

为智能反射面的波束成形向量左乘自身的共轭向量的积估计。

具体的，步骤S3中，对参数T₁、T₂和T_c的优化问题如下：

(P5)

0≤T₂≤T,0≤T_c≤T

其中，T₂为第二阶段时间，W为带宽，K为移动边缘计算服务器总数量，γ_k,2为移动边缘计算服务器k的信干噪比，T_c为本地计算时间，f_c为CPU的计算频率，C_c为CPU计算单位比特所需周期数，χ为智能反射面的能量收集效率，P为能量站的发射功率，H为从能量站到智能反射面的信道增益，w₁为能量站在第一阶段的波束成形，L为智能反射面的元素单元总数量，μ为单个元素单元的能耗，e_c为无线设备的处理器中CPU能耗系数。

本发明的另一个技术方案是，一种基于智能反射面反向散射通信的数据卸载通信系统，包括：

系统模块，建立基于智能反射面反向散射通信的无线供能MEC系统，无线供能移动边缘计算系统包括一个能量站、无线设备、智能反射面和储能器；能量站的射频信号作为无线设备的能量源，无线设备分别连接智能反射面和储能器，智能反射面在第一阶段收集并存储能量，智能反射面在第二阶段释放能量用于反向散射通信卸载数据比特到移动边缘计算服务器；

函数模块，联合优化系统模块无线供能移动边缘计算系统中能量站的波束成形、智能反射面的反向散射矩阵、智能反射面第一阶段和第二阶段过程的时间分配以及本地计算时间，建立计算和比特最大化目标函数；

通信模块，分解函数模块的计算和比特最大化目标函数为三个易于求解的问题，对单位时间能量收集最大化问题，调用半定松弛方法以及奇异值分解或高斯随机化方法求得能量站的波束成形最优解，使智能反射面收集到能量用于本地计算电路消耗和数据卸载能量消耗；对反向散射通信速率最大化问题，依二次变换和块坐标下降法求得智能反射面的反向散射矩阵最优解，使智能反射面与移动边缘计算服务器之间的通信速率最大化；对时间参数T₁、T₂和T_c的优化问题，联合能量站的波束成形最优解和反向散射矩阵的最优解，再利用线性规划法解求得最优时间分配或取值，使本地计算比特与数据卸载比特的和最大化，完成数据卸载通信。

与现有技术相比，本发明至少具有以下有益效果：

本发明一种基于智能反射面反向散射通信的数据卸载通信方法，在基于智能反射面反向散射的无线供能移动边缘计算系统中，利用集成了能量收集技术的IRS收集来自能量站的射频信号能量，在第一阶段提供于本地计算、能量收集电路和在入射到智能反射面时存入储能器，在第二个阶段将储存的能量提供于卸载部分计算数据的智能反射面反向散射通信和本地计算电路，供应无线设备的本地计算与数据卸载的能量消耗，对于可建模计算和比特最大化问题，通过联合优化能量站的波束成形、智能反射面的反向散射矩阵、两阶段过程的时间分配以及本地计算时间，使计算和比特最大化；再借助反向散射通信在能量受限的移动边缘计算网络中完成计算任务卸载，能够以低功耗的方式进行数据卸载。

进一步的，智能反射面在第一阶段T₁，入射智能反射面的信号能量一部分用于本地计算和能量收集电路，剩余部分存入储能器中，是为了将储存的能量用于维持系统在第二阶段的运转；设置智能反射面接收的信号y_I,1和智能反射面的收集功率E是因为智能反射面能收集到的能量取决于接受信号，为了尽可能收集到能量，必须考虑接受信号。

进一步的，智能反射面在第二阶段T₂，储能器中保存的能量被用于智能反射面反向散射和本地计算电路，是为了不引入有源设备，从而实现低功耗运行；设置反向散射通信卸载数据比特R_b、无线设备执行的本地计算比特R_c及无线设备相应的能耗E_c，是为了开展对系统计算和比特最大化问题的阐述。

进一步的，设置移动边缘计算服务器k收到信号y_k,2和移动边缘计算服务器k的信干噪比γ_k,2，是为了考察影响卸载数据比特的因素，继续开展对系统计算和比特最大化问题的阐述。

进一步的，设置计算和比特最大化目标函数，是为了面向待解决的实际问题建立成待求解的数学问题，即在能量受限的条件下，最大化数据卸载比特与本地计算比特的和的问题。

进一步的，设置单位时间能量收集最大化问题和对PB在第一阶段的波束成形w₁的优化问题，是因为尽可能多地收集能量能够支持更多的数据比特的本地计算或卸载，也最大化计算和比特问题求解方法的阐述。

进一步的，设置反向散射通信速率最大化问题，是为了在卸载数据比特的过程中，得到最优的反射矩阵，也最大化计算和比特问题求解方法的阐述。

进一步的，利用块坐标下降法循环优化变量w₂、θ_k、a_k和β_k得到反向散射通信速率最大化问题的解，是因为借助易于求解的数学方法求解问题的最优解，也最大化计算和比特问题求解方法的阐述。

进一步的，设置参数T₁、T₂和T_c的优化问题，是为了获得在数据比特卸载与本地计算之间最优的时间分配，完成对最大化计算和比特问题求解方法的阐述。

综上所述，本发明能以无线供能的IRS-BackCom实现数据任务卸载，借助能量收集、反向散射通信和智能反射面技术，能够以低功耗的方式进行数据卸载，与有源天线方案相比，能够获得相同甚至更高的计算和比特。

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

图1为无线供能的MEC模型示意图，其中，(a)为基于IRS的反向散射通信，(b)为两阶段过程的时间分配；

图2为系统计算和比特R_b+R_c与IRS的单元数量L之间的关系图；

图3为系统计算和比特R_b+R_c与PB的发射功率P之间的关系图；

图4为系统计算和比特R_b+R_c与IRS到MEC服务器的平均距离d_im之间的关系。

具体实施方式

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。

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。

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。

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。

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。

本发明提供了一种基于智能反射面反向散射(IRS-based BackCom，IRS-BackCom)的数据卸载通信方法，分为两个阶段；在第一阶段，来自能量站(Power Beacon，PB)的环境信号能量一方面提供于本地计算和能量收集电路，另一方面在入射到智能反射面(Intelligent Reflecting Surface，IRS)时存入储能器；在第二阶段，将储存的能量提供于卸载部分计算数据的IRS-BackCom和本地计算电路；对于可建模计算和比特最大化问题，通过联合优化PB的波束成形、IRS的反向散射矩阵、两阶段过程的时间分配以及本地计算时间，使计算和比特最大化。仿真结果证明了本发明所提IRS-BackCom方案的性能。

本发明一种基于智能反射面反向散射通信的数据卸载通信方法，包括以下步骤：

S1、建立IRS-BackCom辅助的无线供能MEC系统模型；

来自能量站的射频信号RF作为无线设备WD的能量源，无线设备WD搭载有处理计算任务的CPU并与智能反射面IRS和储能器连接；WD通过智能反射面反向散射通信IRS-BackCom卸载部分或全部计算比特到移动边缘计算MEC服务器。能量站PB发射携能信号时，智能反射面IRS在第一阶段收集并存储能量，在第二阶段释放能量用于反向散射通信BackCom卸载数据比特，无线设备WD的本地计算始末时间取时间块内任意值。

请参阅图1，考察一个可自我维持的无线供能MEC系统。其中，一个N根天线的PB作为环境RF源，来为一个用于处理若干计算任务的无线设备(Wireless Device，WD)提供能量。WD同一个有L个元素单元的IRS、一片CPU和一个储能器之间有线连接，可分别实现能量收集、本地计算和数据卸载。假定每个任务由按位独立的数据比特组成，则WD能够借助IRS-BackCom将部分数据比特卸载到K个单天线的MEC服务器，K≤L且

此时，剩余的计算比特交付本地计算执行。利用多个MEC服务器带来的空间自由度，能够减少由信道衰减造成的性能损失。假设系统所有信道遵循准静态块衰落，并且忽略MEC服务器的任务处理时间以及从MEC服务器到WD之间的返回传输时延。

考虑一个时间块T，PB发射携能信号s，IRS在时间块内的运行划分为两个阶段。在第一阶段T₁，入射IRS的信号能量，一部分用于本地计算和能量收集电路，剩余部分存入储能器中。在第二阶段T₂，储能器中保存的能量被用于IRS-BackCom和本地计算电路。在整个时间块中，WD的本地计算开始与结束时间是不确定的，可能发生在时间块中的任意点。

在第一阶段，IRS接收到的信号表示为

其中，P是PB的发射功率，

指从PB到IRS的信道增益，w₁表示第一阶段信号s的波束成形，

是IRS的高斯白噪声，

实际上IRS能量收集模型通常是非线性的，所以采用一个非线性函数表示。

收集的能量随着接收功率的增加而增加，直到达到饱和。

为了近似地表示IRS能量收集模型以及实际能量收集饱和区间，采用一个常用的两段线性能量收集模型，数学描述为：

其中，χ是IRS的能量收集效率，P_r和P_s分别指接收功率和饱和功率。

在IRS能量收集模型中，假设P_s远远大于P_r；因此，IRS的总收集能量线性正比于接收功率。

不考虑噪声功率，IRS的收集功率表示为：

E＝χT₁P||Hw₁||²

此处已减掉能量收集电路的功率消耗。

在第二阶段，当来自PB的信号s到达IRS时，MEC服务器k接收到的信号表示为：

其中，w₂代表PB在第二阶段的波束成形，Θ指反射系数矩阵，

是MEC服务器k的高斯白噪声，

指PB到MEC服务器k的信道增益。

令

其中，

[·]_l,l表示矩阵的第l位对角元素；因为反向散射在IRS处执行，原信号s被调制成K个新的载信信号x_k，

调制过程的数学关系表示为：

因而推导出MEC服务器k收到信号的表达式为

于是，MEC服务器k的信干噪比表示为

IRS的能耗随着IRS的元素单元数量和相位分辨率增加而增加，表示为T₂Lμ，μ指单个元素单元的能耗。

通过IRS-BackCom利用无线能量卸载部分计算任务比特到MEC服务器，采用的带宽为W，则能够实现的数据卸载比特表示为：

另一方面，WD执行的本地计算比特及WD相应的能耗表示为

其中，f_c指CPU的计算频率，C_c是CPU计算单位比特所需周期数，ε_c是WD的处理器中CPU能耗系数。

S2、系统计算和比特最大化问题建模；

结合第一阶段IRS的信号接收表达式、能量收集技术EH的能量收集函数和IRS所能得到收集功率表达式，第二阶段通过移动边缘计算服务器的信号接收表达式和信干噪比表达式等，建立计算和比特最大化目标函数。

为了通过联合优化PB的波束成形向量、IRS的反向散射矩阵、两阶段过程的时间分配以及本地计算时间最大化计算和比特，最大化计算和比特优化问题表示为：

(P1)

E ≥T₂Lμ+E_c,

T₁+T₂＝T,

T₁≥0,T₂≥0,0≤T_c≤T

假定PB与IRS之间的信息交换足够通畅，因此联合优化参数w₁、w₂、T₁、T₂和T_c以最大化计算和比特。

S3、计算最优解。

分解目标函数为三个易于求解的问题。对单位时间内能量收集最大化问题，调用SDR方法以及奇异值分解或高斯随机化方法求得波束成形最优解。对BackCom的速率最大化问题，依二次变换和块坐标下降法求得反向散射矩阵最优解。对参数T₁、T₂和T_c的优化问题，联合前两个问题的最优解和线性规划法解求得最优时间分配或取值。

由目标函数及约束中的耦合变量w₁、w₂、θ_k、T₁、T₂和T_c，容易知道问题(P1)是非凸的，下面将问题(P1)分解为三个易于求解的优化问题并给出解过程。

A.单位时间能量收集最大化问题

优化波束成形w₁，使IRS在T₁时间尽可能地收集自PB的无线能量，这样就能支持更多的数据比特在本地计算或者卸载到MEC服务器。这是因为，单位时间内IRS收集到的能量只取决于优化变量w₁。

于是，对w₁的优化问题表示为：

定义

使用半定松弛法(Semi-Definite Relaxation，SDR)将问题等价转换为

s.t.W₁≥0,Tr(W₁)≤1

rank(W₁)＝1

忽略约束rank(W₁)＝1，有：

(P2)

s.t.W₁≥0,Tr(W₁)≤1

问题(P2)是一个易于求解的凸问题。

基于单位时间能量收集最大化问题的最优解

通过奇异值分解或高斯随机化方法能够恢复一个秩1的解

B.BackCom速率最大化问题

考察T₂时间内反向散射通信速率最大化问题。

由问题(P1)知R_c仅与除T₂外的优化变量w₂和θ_k有关，因此，BackCom速率最大化问题等价表示为

在BackCom速率最大化问题中，w₂和θ_k在目标函数和约束中是深度耦合的，而且目标函数是M个对数函数的和。因此，要求解BackCom速率最大化非凸优化问题是比较困难的。

鉴于此，引入辅助变量α_k，对数函数表示为:

然后问题转换为：

由二次变换将问题的目标函数进一步表示为:

其中，β_k是一个辅助变量且*标表示它是一个共轭标量，A_k和B_k分别为

因此，问题进一步表示为

(P3)

利用块坐标下降法循环优化变量w₂、θ_k、α_k和β_k可得到问题(P3)的解，这个过程包括为三步。

1)给定w₂和θ_k，分别求其偏导以解得最优解

和

令

然后可以推导出

其中，w₂和θ_k指上一次循环迭代的结果。

注意：α_k也能由信干噪比的γ_k,2更新。

2)给定θ_k、α_k和β_k，问题(P3)中的目标函数化简为

其中，

于是问题(P3)重新表述为

与此问题相关的拉格朗日函数表示为:

其中，η表示与约束有关的拉格朗日乘子，令

推导得到最优解

即

3)给定w₂、α_k和β_k，问题(P3)中的目标函数化简为

根据二次约束二次规划理论得

其中，

且

和

于是问题(P3)重新表示为

(P4)

忽略约束

那么优化问题(P4)在

上是凸的，因此能够由已有的CVX求解软件求解。对于问题(P4)的最优解

由奇异值分解或高斯随机化方法可恢复秩1的解

C.参数T₁、T₂和T_c的优化

一旦解得了w₁、w₂和θ_k，问题(P1)就易求解了。由T₁＝T-T₂，那么问题(P1)重新表述为

(P5)

0≤T₂≤T,0≤T_c≤T

显然问题(P5)是一个易求解的线性规划问题，那么问题(P1)到此已经完全解决。

本发明再一个实施例中，提供一种基于智能反射面反向散射通信的数据卸载通信系统，该系统能够用于实现上述基于智能反射面反向散射通信的数据卸载通信方法，具体的，该基于智能反射面反向散射通信的数据卸载通信系统包括系统模块、函数模块以及通信模块。

其中，系统模块，建立基于智能反射面反向散射通信的无线供能MEC系统，无线供能移动边缘计算系统包括一个能量站、无线设备、智能反射面和储能器；能量站的射频信号作为无线设备的能量源，无线设备分别连接智能反射面和储能器，智能反射面在第一阶段收集并存储能量，智能反射面在第二阶段释放能量用于反向散射通信卸载数据比特到移动边缘计算服务器；

函数模块，联合优化系统模块无线供能移动边缘计算系统中能量站的波束成形、智能反射面的反向散射矩阵、智能反射面第一阶段和第二阶段过程的时间分配以及本地计算时间，建立计算和比特最大化目标函数；

通信模块，分解函数模块的计算和比特最大化目标函数为三个易于求解的问题，对单位时间能量收集最大化问题，调用半定松弛方法以及奇异值分解或高斯随机化方法求得能量站的波束成形最优解，使智能反射面收集到能量用于本地计算电路消耗和数据卸载能量消耗；对反向散射通信速率最大化问题，依二次变换和块坐标下降法求得智能反射面的反向散射矩阵最优解，使智能反射面与移动边缘计算服务器之间的通信速率最大化；对时间参数T₁、T₂和T_c的优化问题，联合能量站的波束成形最优解和反向散射矩阵的最优解，再利用线性规划法解求得最优时间分配或取值，使本地计算比特与数据卸载比特的和最大化，完成数据卸载通信。

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。

下面利用数值仿真来展示IRS-BackCom辅助的的无线供能MEC系统的通信性能。

在仿真中，假设所有涉及的信道都是慢衰落信道，信道增益在单个时间块内保持不变且服从莱斯分布。所有相关的路径损失表示为：

PL＝PL₀-20 lg(d/d₀)dB

其中，PL₀＝-20dB表示d₀的路径损失，d是传输距离且d₀＝1m表示参考距离。

此外，从PB到IRS以及PB到MEC服务器的莱斯因子由k₁表示，从IRS到MEC服务器的莱斯因子由k₂表示。因为BackCom只发生在IRS的前半面，所以对IRS的每个元素单元有一个额外的3dBi增益。

仿真中将提供以下三个方案。

1)波束成形方案：控制IRS的各个元素单元以实现IRS-BackCom辅助的无线供能MEC系统。

2)有源天线方案：用一个有源发射机代替IRS-BackCom来卸载数据比特，发射机的位置与IRS相同，发射功率和天线数量分别为P_a和N_a。

3)随机相位方案：IRS的各元素单元相位随机产生且振幅设为1。

表1仿真参数

在仿真中，当上述参数作为变量研究时，不再是表1中的具体值。从PB到MEC服务器的距离从区间[d_im-10,d_im+10]随机取值获得。

请参阅图2，表示了系统的计算和比特R_b+R_c如何取决于IRS的元素单元数L。容易看到，除了有源天线方案外，计算和比特是随着IRS的元素单元数增加而增加的。

此外，在所有方案中，提出的波束成形方案具有最佳性能，相比于给定发射功率和天线数量的有源天线方案，可以得知BackCom方案能够取得同等的甚至更好的通信表现，这个结果说明了IRS-BackCom能够替代有源传输。

请参阅图3和图4，分别表示了PB的发射功率P和IRS到MEC服务器平均距离d_im对计算和比特R_b+R_c的影响。从两张图中可以看到R_b+R_c随P增加而增加，但是增长率是逐渐放缓的。另一方面，随着d_im的增加，R_b+R_c逐渐降低，但是，到达一定程度后下降率趋于平缓。

综上所述，本发明一种基于智能反射面反向散射通信的数据卸载通信方法及系统，具有以下效果：

1)本发明提出的波束成形方案中将IRS与EH和BackCom结合并以一种自我维持的无线供能方式实现数据任务卸载，能够以低功耗的方式替代有源天线的方案；

2)本发明提出的波束成形方案中取得的性能要优于传统的随机相位方案；

3)本发明提出的波束成形方案中，当元素单元数量和发射功率增加，或者从IRS到MEC服务器的距离减小时，计算和比特能够得到提升。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (8)

1.基于智能反射面反向散射通信的数据卸载通信方法，其特征在于，包括以下步骤：

S1、建立基于智能反射面反向散射通信的无线供能移动边缘计算系统，无线供能移动边缘计算系统包括一个能量站、无线设备、智能反射面和储能器；能量站的射频信号作为无线设备的能量源，无线设备分别连接智能反射面和储能器，智能反射面在第一阶段收集并存储能量，智能反射面在第二阶段释放能量用于反向散射通信卸载数据比特到移动边缘计算服务器；

智能反射面在第一阶段T₁，入射智能反射面的信号能量一部分用于本地计算和能量收集电路，剩余部分存入储能器中；智能反射面接收的信号y_I,1为：

智能反射面的收集功率E为：

E＝χT₁P||Hw₁||²

其中，χ为智能反射面的能量收集效率，P为能量站的发射功率，H为从能量站到智能反射面的信道增益，w₁为能量站在第一阶段的波束成形，n_I是智能反射面的高斯白噪声；

智能反射面在第二阶段T₂，储能器中保存的能量被用于智能反射面反向散射通信和本地计算电路；反向散射通信卸载数据比特R_b为：

无线设备执行的本地计算比特R_c及无线设备相应的能耗E_c为：

其中，W为带宽，K为移动边缘计算服务器数量，γ_k,2为移动边缘计算服务器k的信干噪比，T_c为本地计算时间，f_c为CPU的计算频率，C_c为CPU计算单位比特所需周期数，ε_c为无线设备的处理器中CPU能耗系数；

S2、联合优化步骤S1无线供能移动边缘计算系统中能量站的波束成形、智能反射面的反向散射矩阵、智能反射面第一阶段和第二阶段过程的时间分配以及本地计算时间，建立计算和比特最大化目标函数；

S3、分解步骤S2的计算和比特最大化目标函数为三个问题，对单位时间能量收集最大化问题，调用半定松弛方法以及奇异值分解或高斯随机化方法求得能量站的波束成形最优解，使智能反射面收集到能量用于本地计算电路消耗和数据卸载能量消耗；对反向散射通信速率最大化问题，依二次变换和块坐标下降法求得智能反射面的反向散射矩阵最优解，使智能反射面与移动边缘计算服务器之间的通信速率最大化；对时间参数T₁、T₂和T_c的优化问题，联合能量站的波束成形最优解和反向散射矩阵的最优解，再利用线性规划法求解得最优时间分配或取值，使本地计算比特与数据卸载比特的和最大化，完成数据卸载通信。

2.根据权利要求1所述的基于智能反射面反向散射通信的数据卸载通信方法，其特征在于，步骤S1中，移动边缘计算服务器k收到信号y_k,2为：

移动边缘计算服务器k的信干噪比γ_k,2为：

其中，P为能量站的发射功率，

为能量站到移动边缘计算服务器的信道增益，w₂为能量站在第二阶段的波束成形，s为原信号，K为移动边缘计算服务器数量，

为智能反射面的共轭转置波束成形向量，x_i为调制后的载信信号，Φ_k为能量站到智能反射面的信道增益对角矩阵，n_k为移动边缘计算服务器的高斯白噪声，

为能量站在第二阶段的共轭转置波束成形矩阵，θ_k为智能反射面调制后的波束成形向量，

为高斯白噪声的方差。

3.根据权利要求1所述的基于智能反射面反向散射通信的数据卸载通信方法，其特征在于，步骤S2中，计算和比特最大化目标函数具体为：

E≥T₂Lμ+E_c,

T₁+T₂＝T,

T₁≥0,T₂≥0,0≤T_c≤T

其中，R_c为无线设备执行的本地计算比特，R_b为反向散射通信卸载数据比特，θ_k为智能反射面调制后的波束成形向量，l为智能反射面的元素单元数量，

为智能反射面的元素单元数量集合，L为智能反射面的元素单元总数量，μ为单个元素单元的能耗，E_c为无线设备相应的能耗，T_c为本地计算时间，w₁为能量站在第一阶段的波束成形，w₂为能量站在第二阶段的波束成形。

4.根据权利要求1所述的基于智能反射面反向散射通信的数据卸载通信方法，其特征在于，步骤S3中，对单位时间能量收集最大化问题，对能量站在第一阶段的波束成形w₁的优化问题表示为：

E为智能反射面的收集能量，

使用半定松弛法将问题等价转换为：

rank(W₁)＝1

忽略约束rank(W₁)＝1，有：

基于单位时间能量收集最大化问题的最优解

通过奇异值分解或高斯随机化方法能够恢复一个秩1的解

5.根据权利要求1所述的基于智能反射面反向散射通信的数据卸载通信方法，其特征在于，步骤S3中，对反向散射通信速率最大化问题具体为：

引入辅助变量α_k对反向散射通信速率最大化问题进行转换，利用块坐标下降法循环优化变量w₂、θ_k、α_k和β_k得到反向散射通信速率最大化问题的解如下：

对于BackCom速率最大化问题的最优解

由奇异值分解或高斯随机化方法可恢复秩1的解

K为移动边缘计算服务器数量，R_k为智能反射面与移动边缘计算服务器之间的增益矩阵，

为智能反射面的波束成形向量左乘自身的共轭向量的积估计，β_k为辅助变量，W₂为能量站在第二阶段的波束成形矩阵，

为能量站到智能反射面的信道增益共轭对角矩阵，Θ_i为智能反射面的波束成形矩阵，Φ_k为能量站到智能反射面的信道增益对角矩阵，l为智能反射面的元素单元数量，

为智能反射面的元素单元数量的集合，

为移动边缘计算服务器的数量的集合，L为智能反射面的元素单元总数量。

6.根据权利要求5所述的基于智能反射面反向散射通信的数据卸载通信方法，其特征在于，利用块坐标下降法循环优化变量w₂、θ_k、α_k和β_k得到反向散射通信速率最大化问题的解具体为：

给定w₂和θ_k，推导出：

其中，w₂和θ_k指上一次循环迭代的结果；

2)给定θ_k、α_k和β_k，化简反向散射通信速率最大化问题中的目标函数；反向散射通信速率最大化问题重新表述为：

与此问题相关的拉格朗日函数

表示为：

其中，η表示与约束有关的拉格朗日乘子，令

推导得到最优解

即

其中，η°为单个元素单元的最优能耗，I为高斯白噪声方向向量，U为信道增益和式，v为信道增益和式；

3)给定w₂、α_k和β_k，化简BackCom速率最大化问题中的目标函数，根据二次约束二次规划理论得：

其中，

为辅助变量标量，

为能量站在第二阶段的波束成形共轭矩阵，

为能量站到智能反射面的信道增益共轭矩阵，θ_k为智能反射面调制后的波束成形，Φ_k为能量站到智能反射面的信道增益矩阵，w₂为能量站在第二阶段的波束成形矩阵，

为波束成形共轭向量估计，R_k为智能反射面与移动边缘计算服务器之间的增益矩阵，

为波束成形向量估计，

为智能反射面的波束成形向量左乘自身的共轭向量的积估计。

7.根据权利要求1所述的基于智能反射面反向散射通信的数据卸载通信方法，其特征在于，步骤S3中，对参数T₁、T₂和T_c的优化问题如下：

其中，T₂为第二阶段时间，W为带宽，K为移动边缘计算服务器总数量，γ_k,2为移动边缘计算服务器k的信干噪比，T_c为本地计算时间，f_c为CPU的计算频率，C_c为CPU计算单位比特所需周期数，χ为智能反射面的能量收集效率，P为能量站的发射功率，H为从能量站到智能反射面的信道增益，w₁为能量站在第一阶段的波束成形，L为智能反射面的元素单元总数量，μ为单个元素单元的能耗，ε_c为无线设备处理器中CPU的能耗系数。

8.一种基于智能反射面反向散射通信的数据卸载通信系统，其特征在于，包括：

系统模块，建立基于智能反射面反向散射通信的无线供能MEC系统，无线供能移动边缘计算系统包括一个能量站、无线设备、智能反射面和储能器；能量站的射频信号作为无线设备的能量源，无线设备分别连接智能反射面和储能器，智能反射面在第一阶段收集并存储能量，智能反射面在第二阶段释放能量用于反向散射通信卸载数据比特到移动边缘计算服务器；

智能反射面在第一阶段T₁，入射智能反射面的信号能量一部分用于本地计算和能量收集电路，剩余部分存入储能器中；智能反射面接收的信号y_I,1为：

智能反射面的收集功率E为：

E＝χT₁P||Hw₁||²

其中，χ为智能反射面的能量收集效率，P为能量站的发射功率，H为从能量站到智能反射面的信道增益，w₁为能量站在第一阶段的波束成形，n_I是智能反射面的高斯白噪声；

智能反射面在第二阶段T₂，储能器中保存的能量被用于智能反射面反向散射通信和本地计算电路；反向散射通信卸载数据比特R_b为：

无线设备执行的本地计算比特R_c及无线设备相应的能耗E_c为：

其中，W为带宽，K为移动边缘计算服务器数量，γ_k,2为移动边缘计算服务器k的信干噪比，T_c为本地计算时间，f_c为CPU的计算频率，C_c为CPU计算单位比特所需周期数，e_c为无线设备的处理器中CPU能耗系数；

函数模块，联合优化系统模块无线供能移动边缘计算系统中能量站的波束成形、智能反射面的反向散射矩阵、智能反射面第一阶段和第二阶段过程的时间分配以及本地计算时间，建立计算和比特最大化目标函数；

通信模块，分解函数模块的计算和比特最大化目标函数为三个易于求解的问题，对单位时间能量收集最大化问题，调用半定松弛方法以及奇异值分解或高斯随机化方法求得能量站的波束成形最优解，使智能反射面收集到能量用于本地计算电路消耗和数据卸载能量消耗；对反向散射通信速率最大化问题，依二次变换和块坐标下降法求得智能反射面的反向散射矩阵最优解，使智能反射面与移动边缘计算服务器之间的通信速率最大化；对时间参数T₁、T₂和T_c的优化问题，联合能量站的波束成形最优解和反向散射矩阵的最优解，再利用线性规划法求解得最优时间分配或取值，使本地计算比特与数据卸载比特的和最大化，完成数据卸载通信。

Images