CN114375050A - 一种数字孪生辅助的5g配电网资源调度方法 - Google Patents
一种数字孪生辅助的5g配电网资源调度方法 Download PDFInfo
- Publication number
- CN114375050A CN114375050A CN202111466410.1A CN202111466410A CN114375050A CN 114375050 A CN114375050 A CN 114375050A CN 202111466410 A CN202111466410 A CN 202111466410A CN 114375050 A CN114375050 A CN 114375050A
- Authority
- CN
- China
- Prior art keywords
- model
- scheduling
- distribution network
- digital twin
- energy consumption
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000005265 energy consumption Methods 0.000 claims abstract description 45
- 238000013468 resource allocation Methods 0.000 claims abstract description 33
- 230000007774 longterm Effects 0.000 claims abstract description 18
- 230000006870 function Effects 0.000 claims description 36
- 230000005540 biological transmission Effects 0.000 claims description 33
- 230000002776 aggregation Effects 0.000 claims description 28
- 238000004220 aggregation Methods 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000001514 detection method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 3
- 230000008447 perception Effects 0.000 claims description 3
- 239000002184 metal Substances 0.000 claims description 2
- 230000006641 stabilisation Effects 0.000 claims description 2
- 238000011105 stabilization Methods 0.000 claims description 2
- ONUFESLQCSAYKA-UHFFFAOYSA-N iprodione Chemical compound O=C1N(C(=O)NC(C)C)CC(=O)N1C1=CC(Cl)=CC(Cl)=C1 ONUFESLQCSAYKA-UHFFFAOYSA-N 0.000 claims 1
- 238000004891 communication Methods 0.000 abstract description 6
- 238000010276 construction Methods 0.000 abstract description 3
- 230000001186 cumulative effect Effects 0.000 description 6
- 238000004088 simulation Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/53—Allocation or scheduling criteria for wireless resources based on regulatory allocation policies
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/35—Services specially adapted for particular environments, situations or purposes for the management of goods or merchandise
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/04—Wireless resource allocation
- H04W72/044—Wireless resource allocation based on the type of the allocated resource
- H04W72/0473—Wireless resource allocation based on the type of the allocated resource the resource being transmission power
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W72/00—Local resource management
- H04W72/50—Allocation or scheduling criteria for wireless resources
- H04W72/54—Allocation or scheduling criteria for wireless resources based on quality criteria
-
- 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)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明涉及一种数字孪生辅助的5G配电网资源调度方法,属于通信技术领域。本发明的目的是提供一种数字孪生辅助的5G配电网资源调度方法。通过联合优化终端调度、终端计算资源分配、功率控制和服务器计算资源分配,在保证终端能量消耗和接入优先级长期约束的前提下,降低了DT构建累积迭代时延和终端能量消耗,提高DT精度和安全性。
Description
技术领域
本发明涉及一种数字孪生辅助的5G配电网资源调度方法,属于通信技术领域。
背景技术
目前,配电网部署了温度、电流传感器等海量物联网终端提供实时监控服务,对低时延数据传输和处理提出了较高的要求。传统的有线和无线通信方式,如光纤、LTE-230等,由于部署成本高、无线频谱资源不足、边缘智能不足,无法解决配电网最后一公里的通信和计算问题。5G边缘计算通过在网络边缘中集成先进的通信和计算技术,提供了一种可行解决方案。为了进一步提高资源利用效率,满足服务质量需求,需要对通信、计算、能量等多维资源进行动态智能调度。
数字孪生(Digital twin,DT)可以从数字世界的角度帮助5G边缘计算支持的配电网实现多维资源调度。DT从大量终端收集实时状态,建立所有物理实体的数字表示,从而实现多维资源调度的精确决策指导。然而,在构建DT并利用它辅助资源调度时,需要解决一些关键的挑战:
(1)DT对延迟、准确性和安全性的严格要求:DT需要以低延迟更新,以保持与物理实体的实时一致性。同时,为了提高资源调度的准确性,必须使反映DT与实际值偏差的损失函数最小。另一方面,从构建DT的大量终端中收集的数据也面临隐私问题和安全威胁。例如一些恶意的终端上传的异常模型参数,会严重降低DT的准确性,引发各种安全问题。
(2)多维资源联
合优化:多维资源调度的联合优化问题是一个非常重要的问题,因为多维资源调度是不同实体、维度和过程之间的耦合。例如,终端功率控制和计算资源分配策略相耦合,服务器边缘聚合和异常模型识别相耦合。
(3)接入优先级和能耗长期约束:考虑到业务的重要性和终端的电池容量有限,需要建立长期的接入优先级和能耗约束,以保证重要终端的接入优先级,降低能耗。然而,长期约束与短期资源调度优化是耦合的。
有鉴于上述的缺陷,本发明以期创设一种数字孪生辅助的5G配电网资源调度方法,使其更具有产业上的利用价值。
发明内容
为解决上述技术问题,本发明的目的是提供一种数字孪生辅助的5G配电网资源调度方法。通过联合优化终端调度、终端计算资源分配、功率控制和服务器计算资源分配,在保证终端能量消耗和接入优先级长期约束的前提下,降低了DT构建累积迭代时延和终端能量消耗,提高DT精度和安全性。
本发明的一种数字孪生辅助的5G配电网资源调度方法,具体调度步骤为:
S1、构建系统模型,具体包括:
1.1、本地训练模型;
1.2、传输模型;
1.3、包错误率模型;
1.4、边缘聚合与异常模型检测模型;
1.5、能耗和时延模型;
S2、问题建模和转化,具体包括:
2.1、接入优先级约束;
2.2、能耗约束;
2.3、问题建模;
2.4、问题转化;
S3、安全和时延感知的数字孪生辅助资源调度方法,具体包括:
3.1、终端接入调度、终端计算资源分配和功率控制联合优化子问题;
3.2、服务器计算资源分配子问题。
进一步的,所述S1中构建系统模型是基于联邦学习的5G边缘计算配电网DT架构,架构主要包含三层,即终端层、边缘层和DT层。
进一步的,所述S1中本地训练模型场景中包含I个电力物联网终端,集合表示为Y={u1,u2,...,uI},总时间周期被划分为T次迭代,集合表示为Τ={1,2,…,T},本地计算的能耗和时延可以计算为:
其中,α为能耗系数,Di表示ui本地数据集Δi的大小;
损失函数可以反映本地模型的精度,并用于指导参数ωi(t)的更新,即:
其中,η为学习速率。
进一步的,所述S1中传输模型的传输速率可表示为:
传输能耗和时延可以表示为:
进一步的,所述S1中包错误率模型的包错误率可以表示为;
其中k为与编码增益有关的常数,定义二进制指示变量ai(t)∈{0,1},ai(t)=1表示终端ui在传输中没有发生包错误,否则ai(t)=0,ai(t)可以计算为:
进一步的,所述S1中边缘聚合与异常模型检测模型的边缘聚合:全局模型聚合公式为:
边缘聚合时延计算为:
全局模型的损失函数表示为:
所述S1中边缘聚合与异常模型检测模型的异常模型检测模型:
异常模型检测模型时延可计算为:
其中ξ0表示边缘服务器处理单个样本需要的CPU周期数,当ui上传的异常模型大于比例υ时,即:
判定ui为恶意终端,并从集合Σ(t+1)中移除。
进一步的,所述S1中能耗和时延模型中ui的总能耗为本地计算能耗与传输能耗之和,计算为:
单次迭代总时延包含所有终端中本地计算时延与参数传输时延之和最大的时延、边缘聚合时延与AMR时延中较大的时延以及全局模型广播时延τb,表示为:
进一步的,所述S2中问题建模和转化中接入优先级约束,长期接入优先级约束定义为:
其中ei为选择ui进行本地训练和参数传输次数的最小比例需求。
进一步的,所述S2中能耗约束考虑到终端电池容量有限,定义长期能耗约束为
其中,Ei,max为ui的能量预算。
进一步的,所述S2中问题建模优化目标定义为在接入优先级和能耗的长期约束下,通过联合优化计算资源分配、功率控制和接入调度,使DT损失函数与总迭代时延的加权和最小,表述为:
基于包错误率和DT损失函数之间的关系,P1可以重写为:
s.t.C1~C8.
进一步的,所述S2中问题转化采用虚拟队列的概念来解耦长期约束和短期资源调度优化,C7和C8可以转化为队列稳定性约束,表示为:
Fi(t+1)=max{Fi(t)+ei-xi(t),0},
如果Ni(t)和Yi(t)是平均速率稳定的,那么C7和C8自动满足,P2可以转化为:
s.t.C1~C6,
C9:Fi(t)和Yi(t)平均速率稳定
定义向量Θ(t)=[Fi(t),Yi(t)],李雅普诺夫函数可表示为:
李雅普诺夫漂移定义为李雅普诺夫函数在两个连续时隙的条件期望变化,表示为:
ΔL(Θ(t))=E[L(Θ(t+1))-L(Θ(t))|Θ(t)]
为实现全局损失函数和总迭代时延的加权和在队列稳定性约束下的最小化,定义漂移加惩罚为:
ΔVL(Θ(t))=ΔL(Θ(t))+VE[Φ(t)|Θ(t)]
其中,V是P3优化目标的权重,因此,P3可以转化为在C1~C6约束下,最小化ΔVL(Θ(t))的上界问题,ΔVL(Θ(t))的上界表示为:
进一步的,所述S3安全和时延感知的数字孪生辅助资源调度算法求解联合优化问题P3,该问题可以分解为两个子问题,即SP1:终端接入调度、终端计算资源分配和功率控制联合优化子问题;SP2:服务器计算资源分配子问题;
其中SP1表示为:
SP2表示为:
s.t.C5,C6.
借由上述方案,本发明至少具有以下优点:
本发明提出了一种数字孪生辅助的5G配电网资源调度方法,通过联合优化终端调度、终端计算资源分配、功率控制和服务器计算资源分配,在保证终端能量消耗和接入优先级长期约束的前提下,降低了DT构建累积迭代时延和终端能量消耗,提高DT精度和安全性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某个实施例,因此不应被看作是对范围的限定,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相关的附图。
图1是本发明基于联邦学习的5G边缘计算配电网DT架构;
图2是本发明的SAINT的框架图;
图3是本发明仿真实验中DT损失函数图;
图4是本发明仿真实验中累计迭代时延图;
图5是本发明仿真实验中累积能耗图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
本发明一较佳实施例所述的一种数字孪生辅助的5G配电网资源调度方法,整个技术方案包括三个步骤:
1.构建系统模型
基于联邦学习的5G边缘计算配电网DT架构如图1所示,目的是通过联邦学习构建一个物理网络的数字模型M。架构主要包含三层,即终端层、边缘层和DT层。在终端层,每个终端执行本地模型训练过程,并把模型参数上传到边缘层。边缘层包含一个基站(BaseStation,BS)和一个与基站部署于同一位置的边缘服务器,以提供接入和计算服务。基于从终端收集到的本地模型参数,边缘服务器执行边缘聚合过程并得到一个全局模型。同时,在边缘服务器上进行异常模型检测(Abnormal Model Recognition,AMR),识别恶意终端上传的异常模型,以实现安全感知。DT层在边缘服务器上构建,通过与终端实时交互,以保持与物理网络同步,辅助边缘服务器优化资源调度。
如图1所示,u1、u2、u4和u6被基站调度进行局部训练,并将训练后的模型参数和状态信息发送到边缘服务器进行边缘聚合。边缘服务器检测到u1上传的模型参数参数存在传输错误,因此拒绝u1参加边缘聚合。在边缘聚合的同时,边缘服务器执行AMR,并检测到u6是一个恶意终端。因此,u6将被阻止参与本地训练和模型参数上传过程。
(1)本地训练模型
考虑场景中包含I个电力物联网终端,集合表示为Y={u1,u2,...,uI}。总时间周期被划分为T次迭代,集合表示为Τ={1,2,…,T}。假设信道状态信息(Channel StateInformation,CSI)在单次迭代内保持不变,而在迭代间发生变化。在第t次迭代,ui下载第t-1次迭代的全局模型作为本地模型Mi,并设置本地模型参数为全局模型参数,即ωi(t-1)=ωg(t-1)。Δi为终端ui用于训练本地模型Mi的数据集。定义ξi为ui用于训练单个样本数据需要的CPU周期数,fi(t)表示ui分配用于本地训练的计算资源。因此,本地计算的能耗和时延可以计算为
其中,α为能耗系数,Di表示ui本地数据集Δi的大小。
损失函数可以反映本地模型的精度,并用于指导参数ωi(t)的更新,即
其中,为学习速率。
(2)传输模型
假设基站在每次迭代可以选择N(t)<<I个终端进行模型上传。定义当终端能量耗尽或被基站识别为恶意终端时,其为不可用终端。定义第t次迭代可用终端集合为Σ(t)∈Y。定义终端接入调度二进制指示变量为xi(t)∈{0,1},xi(t)=1表示终端ui在迭代t被选择进行模型参数上传,否则xi(t)=0。当xi(t)=1,ui本地模型参数ωi(t)和状态si上传至基站,以构建其DT,即
DTi=Γ(Mi,Δi,si) (4)
定义|ωi(t)|表示参数ωi(t)的大小。由于si很小,因此忽略其上传时延。另Bi表示子信道带宽,Pi(t)表示传输功率,传输速率可表示为
其中hi(t)表示信道增益,N0和Ii(t)分别表示噪声功率和电磁干扰功率。因此,传输能耗和时延可以表示为
(3)包错误率模型
边缘服务器采用循环冗余校验(Cyclic Redundancy Check,CRC)检测接收到的包是否发生错误。包错误率可以表示为
其中k为与编码增益有关的常数。定义二进制指示变量ai(t)∈{0,1},ai(t)=1表示终端ui在传输中没有发生包错误,否则ai(t)=0。ai(t)可以计算为
(4)边缘聚合与AMR模型
当所有被选择则终端完成模型参数上传,边缘服务器执行边缘聚合与AMR过程。
边缘聚合时延计算为
其中C0表示边缘服务器处理1比特数据需要的CPU周期数。全局模型的损失函数表示为
2)AMR:为防止恶意终端上传虚假模型参数,本发明采用AMR来检测终端上传模型的准确性。定义Δtest为边缘服务器侧用于检测模型的数据集,ui的模型参数ωi(t)在Δtest上的损失函数可表示为
全局模型ωg(t-1)在Δtest上的损失函数可表示为
定义当Fi,test(ωi(t),t)-Fg,test(ωg(t-1),t)>ι时,ui上传的模型参数ωi(t)为异常,即Zi(t)=1。其中Zi(t)∈{0,1}为异常模型二进制指示变量。AMR时延可计算为
其中ξ0表示边缘服务器处理单个样本需要的CPU周期数。当ui上传的异常模型大于比例υ时,即
判定ui为恶意终端,并从集合Σ(t+1)中移除。
(5)能耗和时延模型
ui的总能耗为本地计算能耗与传输能耗之和,计算为
单次迭代总时延包含所有终端中本地计算时延与参数传输时延之和最大的时延、边缘聚合时延与AMR时延中较大的时延以及全局模型广播时延τb,表示为
2.问题建模和转化
(1)接入优先级约束
根据业务重要性和服务质量要求,终端具有不同的接入优先级。接入优先级高的终端需要完成足够次数的本地训练和参数传输,以确保其DT与本地模型的一致性。因此,长期接入优先级约束定义为
其中ei为选择ui进行本地训练和参数传输次数的最小比例需求。
(2)能耗约束
考虑到终端电池容量有限,定义长期能耗约束为
其中,Ei,max为ui的能量预算。
(3)问题建模
优化目标定义为在接入优先级和能耗的长期约束下,通过联合优化计算资源分配、功率控制和接入调度,使DT损失函数与总迭代时延的加权和最小,表述为
其中V为非负权重,f=(fi(t):ui∈Σ(t),t∈Τ)为终端计算资源分配向量,P=(Pi(t):ui∈Σ(t),t∈Τ)为传输功率向量,x=(xi(t):ui∈Σ(t),t∈Τ)为终端接入调度向量,为服务器计算资源分配向量。C1和C2表示BS最多可以同时调度N(t)个终端上传模型参数。C3表示终端计算资源分配约束,其中fi,max(t)为ui的最大可用计算资源。C4为传输功率约束,其中Pi,max为ui的最大传输功率。C5和C6为服务器计算资源分配约束,其中为边缘服务器的最大可用计算资源。C7和C8分别为接入优先级和能耗长期约束。
基于包错误率和DT损失函数之间的关系,P1可以重写为
(4)问题转化
采用虚拟队列的概念来解耦长期约束和短期资源调度优化。C7和C8可以转化为队列稳定性约束,表示为
Fi(t+1)=max{Fi(t)+ei-xi(t),0}, (19)
如果Ni(t)和Yi(t)是平均速率稳定的,那么C7和C8自动满足。P2可以转化为
s.t.C1~C6,
C9:Fi(t)和Yi(t)平均速率稳定。 (21)
定义向量Θ(t)=[Fi(t),Yi(t)],李雅普诺夫函数可表示为
李雅普诺夫漂移定义为李雅普诺夫函数在两个连续时隙的条件期望变化,表示为
ΔL(Θ(t))=E[L(Θ(t+1))-L(Θ(t))|Θ(t)] (23)
为实现全局损失函数和总迭代时延的加权和在队列稳定性约束下的最小化,定义漂移加惩罚为
ΔVL(Θ(t))=ΔL(Θ(t))+VE[Φ(t)|Θ(t)] (24)
其中,V是P3优化目标的权重。因此,P3可以转化为在C1~C6约束下,最小化ΔVL(Θ(t))的上界问题,ΔVL(Θ(t))的上界表示为
3.安全和时延感知的数字孪生辅助资源调度算法
本发明提出安全和时延感知的数字孪生辅助资源调度(SAINT)算法来求解联合优化问题P3,该问题可以分解为两个子问题,即SP1:终端接入调度、终端计算资源分配和功率控制联合优化子问题;SP2:服务器计算资源分配子问题。
(1)终端接入调度、终端计算资源分配和功率控制联合优化子问题
SP1表示为
s.t.C1~C4. (23)
SP1可以分解为两阶段求解,即接入调度和计算资源与功率控制联合优化。首先,接入调度问题可以建模为马尔科夫过程,并通过数字孪生辅助的深度Q学习(Deep Qlearning,DQN)求解。其中状态可通过数字孪生获得,状态空间定义为G(t)={F(t),Y(t)},动作空间定义为A(t)={x1(t),x2(t),…,xI(t)},成本函数定义为的优化目标SP1。DQN可以利用深度神经网络从历史数据中提出特征,并基于估计Q值Q(G(t),ν(t))学习最优策略,其中ν(t)为深度神经网络参数集合。
基于阶段一,计算资源与功率控制联合优化问题可以定义为SP1'。由于fi,max(t),hi(t)和Ii(t)是时变的,边缘服务器无法获得,本发明采用数字孪生估计的经验值来求解,即f′i,max(t),h′i(t)和I′i(t)。因此,SP1'可表示为
其中
s.t.C3'和C4. (23)
SP1”为凸优化问题,可以通过拉格朗日对偶分解法求解。
(2)服务器计算资源分配子问题
SP2表示为
s.t.C5,C6. (23)
当τa(t)=τd(t)时,SP2达到最优。服务器最优计算资源分配可表示为
(3)SAINT
本发明所提算法SAINT主要包含接入调度、模型下载、本地训练、本地模型参数上传和AMR与边缘聚合。首先,初始化虚拟队列积压和接入调度指示变量为0。在每次迭代初,服务器基于估计Q值选择终端进行数据传输。其次,基于数字孪生估计的经验值f′i,max(t),h′i(t)和I′i(t),服务器通过求解SP1”优化计算资源分配和功率控制。随后,被选择终端下载全局模型ωg(t-1),并执行本地训练、参数传输以及更新Fi(t)和Yi(t)。然后,通过求解SP2得到服务器最优计算资源分配策略,服务器执行边缘聚合以及异常模型识别过程,计算成本θ(t),并将DQN转移至下一状态G(t+1)。最后,服务器基于梯度下降法更新DQN网络参数ν(t)。SAINT的框架如图2所示。
本发明对上述提出的FEDERATION算法进行了仿真实验,并设置了两个基线算法进行性能的对比验证,基线算法设置如下:
CS-UCB:基于上置信界的接入调度算法,通过终端接入调度优化最小化总迭代时延。没有考虑能耗约束、计算资源分配和功率控制。所有可用的能量和计算资源都用于参数传输和本地训练。
RS-DNN:基于深度神经网络的用户关联与资源调度算法,该算法不考虑接入优先级约束,通过联合优化终端计算资源分配和功率控制,最小化总迭代延迟。
此外,CS-UCB和RS-DNN均未考虑AMR,服务器所有可用资源用于边缘聚合。
仿真结果如图3至图5所示:
图3为DT损失函数随迭代次数的变化。当t=100时,相比于CS-UCB和RS-DNN,SAINT分别降低损失函数58.06%和70.39%。原因是SAINT利用功率控制和AMR来缓解包错误和异常模型对最小化DT损失函数的不利影响。
图4展示了累积迭代时延随DT损失函数要求的变化。当DT损失函数趋近于0.4时,相比于CS-UCB和RS-DNN,SAINT分别降低累积迭代时延16.13%和38.54%。原因是由于考虑了AMR,SAINT能够更快收敛。
图5显示了累积能耗随迭代次数的变化。当t=100时,相比于CS-UCB和RS-DNN,SAINT可分别降低网络累积能耗30.77%和8.23%。由于未考虑终端计算资源分配和功率控制,CS-UCB性能最差。
以上所述仅是本发明的优选实施方式,并不用于限制本发明,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (12)
1.一种数字孪生辅助的5G配电网资源调度方法,其特征在于具体调度步骤为:
S1、构建系统模型,具体包括:
1.1、本地训练模型;
1.2、传输模型;
1.3、包错误率模型;
1.4、边缘聚合与异常模型检测模型;
1.5、能耗和时延模型;
S2、问题建模和转化,具体包括:
2.1、接入优先级约束;
2.2、能耗约束;
2.3、问题建模;
2.4、问题转化;
S3、安全和时延感知的数字孪生辅助资源调度方法,具体包括:
3.1、终端接入调度、终端计算资源分配和功率控制联合优化子问题;
3.2、服务器计算资源分配子问题。
2.根据权利要求1所述的一种数字孪生辅助的5G配电网资源调度方法,其特征在于:所述S1中构建系统模型是基于联邦学习的5G边缘计算配电网DT架构,架构主要包含三层,即终端层、边缘层和DT层。
11.根据权利要求1所述的一种数字孪生辅助的5G配电网资源调度方法,其特征在于:所述S2中问题转化采用虚拟队列的概念来解耦长期约束和短期资源调度优化,C7和C8可以转化为队列稳定性约束,表示为:
Fi(t+1)=max{Fi(t)+ei-xi(t),0},
如果Ni(t)和Yi(t)是平均速率稳定的,那么C7和C8自动满足,P2可以转化为:
s.t.C1~C6,
C9:Fi(t)和Yi(t)平均速率稳定
定义向量Θ(t)=[Fi(t),Yi(t)],李雅普诺夫函数可表示为:
李雅普诺夫漂移定义为李雅普诺夫函数在两个连续时隙的条件期望变化,表示为:
ΔL(Θ(t))=E[L(Θ(t+1))-L(Θ(t))|Θ(t)]
为实现全局损失函数和总迭代时延的加权和在队列稳定性约束下的最小化,定义漂移加惩罚为:
ΔVL(Θ(t))=ΔL(Θ(t))+VE[Φ(t)|Θ(t)]
其中,V是P3优化目标的权重,因此,P3可以转化为在C1~C6约束下,最小化ΔVL(Θ(t))的上界问题,ΔVL(Θ(t))的上界表示为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111466410.1A CN114375050A (zh) | 2021-12-03 | 2021-12-03 | 一种数字孪生辅助的5g配电网资源调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111466410.1A CN114375050A (zh) | 2021-12-03 | 2021-12-03 | 一种数字孪生辅助的5g配电网资源调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114375050A true CN114375050A (zh) | 2022-04-19 |
Family
ID=81140286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111466410.1A Pending CN114375050A (zh) | 2021-12-03 | 2021-12-03 | 一种数字孪生辅助的5g配电网资源调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114375050A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115174396A (zh) * | 2022-07-02 | 2022-10-11 | 华北电力大学 | 一种基于数字孪生的低碳能源管控通信网业务管理方法 |
CN116820778A (zh) * | 2023-07-13 | 2023-09-29 | 中国电信股份有限公司技术创新中心 | 边缘设备资源分配方法、系统、装置、设备及介质 |
CN118394021A (zh) * | 2024-06-28 | 2024-07-26 | 微网优联科技(成都)有限公司 | 基于5G RedCap技术的工业生产控制方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112600912A (zh) * | 2020-12-10 | 2021-04-02 | 西安君能清洁能源有限公司 | 一种无人机辅助的边缘计算卸载算法分布式激励方法 |
CN112637276A (zh) * | 2020-12-08 | 2021-04-09 | 电子科技大学 | 一种基于数字孪生技术的多用户计算迁移方法 |
CN113419857A (zh) * | 2021-06-24 | 2021-09-21 | 广东工业大学 | 一种基于边缘数字孪生关联的联邦学习方法及系统 |
EP3907646A1 (en) * | 2020-05-08 | 2021-11-10 | General Electric Company | Operations optimization assignment control system with coupled subsystem models and digital twins |
-
2021
- 2021-12-03 CN CN202111466410.1A patent/CN114375050A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3907646A1 (en) * | 2020-05-08 | 2021-11-10 | General Electric Company | Operations optimization assignment control system with coupled subsystem models and digital twins |
CN112637276A (zh) * | 2020-12-08 | 2021-04-09 | 电子科技大学 | 一种基于数字孪生技术的多用户计算迁移方法 |
CN112600912A (zh) * | 2020-12-10 | 2021-04-02 | 西安君能清洁能源有限公司 | 一种无人机辅助的边缘计算卸载算法分布式激励方法 |
CN113419857A (zh) * | 2021-06-24 | 2021-09-21 | 广东工业大学 | 一种基于边缘数字孪生关联的联邦学习方法及系统 |
Non-Patent Citations (1)
Title |
---|
ZHENYU ZHOU, ZEHAN JIA, HAIJUN LIAO, WENBING LU, SHAHID MUMTAZ, MOHSEN GUIZANI, MUHAMMAD TARIQ: ""Secure and Latency-Aware Digital Twin Assisted Resource Scheduling for 5G Edge Computing-Empowered Distribution Grids"", IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS, vol. 18, no. 7, 21 December 2021 (2021-12-21), pages 1 - 12, XP011906226, DOI: 10.1109/TII.2021.3137349 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115174396A (zh) * | 2022-07-02 | 2022-10-11 | 华北电力大学 | 一种基于数字孪生的低碳能源管控通信网业务管理方法 |
CN115174396B (zh) * | 2022-07-02 | 2024-04-16 | 华北电力大学 | 一种基于数字孪生的低碳能源管控通信网业务管理方法 |
CN116820778A (zh) * | 2023-07-13 | 2023-09-29 | 中国电信股份有限公司技术创新中心 | 边缘设备资源分配方法、系统、装置、设备及介质 |
CN118394021A (zh) * | 2024-06-28 | 2024-07-26 | 微网优联科技(成都)有限公司 | 基于5G RedCap技术的工业生产控制方法 |
CN118394021B (zh) * | 2024-06-28 | 2024-08-27 | 微网优联科技(成都)有限公司 | 基于5G RedCap技术的工业生产控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Secure and latency-aware digital twin assisted resource scheduling for 5G edge computing-empowered distribution grids | |
CN114375050A (zh) | 一种数字孪生辅助的5g配电网资源调度方法 | |
Ang et al. | Robust federated learning with noisy communication | |
CN112598150B (zh) | 一种在智能电厂中基于联邦学习提升火灾检测效果的方法 | |
CN113810233B (zh) | 一种在随机网络中基于算网协同的分布式计算卸载方法 | |
CN113905347B (zh) | 一种空地一体化电力物联网云边端协同方法 | |
CN113543176A (zh) | 基于智能反射面辅助的移动边缘计算系统的卸载决策方法 | |
CN113286329B (zh) | 基于移动边缘计算的通信和计算资源联合优化方法 | |
CN114285853B (zh) | 设备密集型工业物联网中基于端边云协同的任务卸载方法 | |
CN113238847B (zh) | 基于分散式网络环境下可分任务的分发和调度方法 | |
CN112650581A (zh) | 一种面向智能楼宇的云边协同任务调度方法 | |
CN112637806B (zh) | 基于深度强化学习的变电站监测系统及其资源调度方法 | |
CN110851277A (zh) | 一种增强现实场景下基于边云协同的任务调度策略 | |
CN116156563A (zh) | 基于数字孪生的异构任务与资源端边协同调度方法 | |
Zhang et al. | Endogenous security-aware resource management for digital twin and 6G edge intelligence integrated smart park | |
Liu et al. | Multi-user dynamic computation offloading and resource allocation in 5G MEC heterogeneous networks with static and dynamic subchannels | |
Li et al. | Snowball: Energy efficient and accurate federated learning with coarse-to-fine compression over heterogeneous wireless edge devices | |
CN106559491A (zh) | 一种基于改进的李雅普诺夫优化的云业务上行调度方法 | |
CN114698125A (zh) | 移动边缘计算网络的计算卸载优化方法、装置及系统 | |
CN115118591A (zh) | 一种基于联盟博弈的簇联邦学习方法 | |
Wang et al. | Adaptive compute offloading algorithm for metasystem based on deep reinforcement learning | |
CN114025321A (zh) | 一种基于快速上行授权的海量电力物联终端接入控制方法 | |
Seid et al. | HDFRL-empowered Energy Efficient Resource Allocation for Aerial MEC-enabled Smart City Cyber Physical System in 6G | |
Su et al. | Digital twin-empowered communication network resource management for low-carbon smart park | |
CN110611927B (zh) | 一种给定预算值条件下无线传感网络保成本同步控制方法 |
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 |