公开/公告号CN112508408A
专利类型发明专利
公开/公告日2021-03-16
原文格式PDF
申请/专利号CN202011434366.1
申请日2020-12-10
分类号G06Q10/06(20120101);G06Q10/04(20120101);G06K9/62(20060101);G06N20/00(20190101);G16Y10/75(20200101);G16Y40/35(20200101);
代理机构11237 北京市广友专利事务所有限责任公司;
代理人张仲波;邓琳
地址 100083 北京市海淀区学院路30号
入库时间 2023-06-19 10:16:30
技术领域
本发明涉及边缘计算、人工智能技术领域,特别涉及一种边缘计算下无线资源管理指标的映射模型构建方法。
背景技术
近年来,随着人工智能和物联网技术的快速发展,催生出一系列新的应用场景,智能家居、医疗卫生、车载通信以及城市信息化等需求产业大规模增长。机器通信设备(Machine Type Communication,MTC)经历了井喷式的发展,接入网络的设备数和其所产生的数据量也随之迅速增长。而基于云计算的集中式数据处理模式难以满足终端设备实时、低功耗等服务需求,因此,边缘计算应运而生。由于边缘计算环境的资源是受限的,而终端设备始终是由人来携带和使用的,因此终端用户的社交数据很自然成为无线资源分配管理的重要依据。如何高效地对边缘计算环境下的无线资源进行合理分配,如何最大程度地确保资源使用过程中边缘终端用户体验优先,是非常值得探索和研究的。
在边缘计算环境下,海量连接机器类型通信具有以下特征:传输数据量较小且为非频繁传输;不同设备种类之间的服务质量(Quality ofService,QoS)存在较大差异。这种海量的设备连接以及多样化的物联网业务给现有边缘计算环境下的无线资源分配带来新的技术挑战。现有的边缘计算无线资源管理是以一项或者几项独立的QoS指标作为优化目标,而客观的QoS指标并不能完整体现用户对所提供业务的主观感受,部分已有的QoE指标并不能完全综合考虑用户体验。在边缘计算环境下,特别是由于网络的异构性和业务的多样性,这种传统的无线资源管理指标缺乏针对性,导致无线资源管理模型的优化效果受限,甚至造成不必要的资源浪费。因此,在目前的边缘计算环境下,提升用户体验(QualityofExperience,QoE)应该成为无线资源管理的最终依据,因此提出一种面向边缘计算的QoE映射模型具有重要意义。
发明内容
本发明的目的在于克服现有无线资源管理技术中的不足,提供一种边缘计算下无线资源管理指标的映射模型构建方法,能够对边缘计算环境下的用户社交数据进行数据挖掘,获得以社交数据为变量的物理层面参数模型分布和QoS-QoE的映射模型,作为边缘计算无线资源管理的指标,突出边缘用户的优先体验,更能满足网络的异构型和业务多样性需求。
为解决上述技术问题,本发明的实施例提供如下方案:
一种边缘计算下无线资源管理指标的映射模型构建方法,包括以下步骤:
获取边缘终端设备的原始社交数据;
基于改进的机器学习分类技术对所述原始社交数据进行预处理,得到处理后的社交数据,所述社交数据包括:用户个体的社交数据和用户间的社交数据;
基于关联分析及聚类分析技术对社交数据进行映射,将社交数据映射为直接反映物理层面参数的信息;
建立社交数据分布相应的数学模型并进行关联映射,获得以社交数据为变量的物理层面参数的概率分布模型,将其作为无线资源管理问题的优化目标;
对不同来源的社交数据的QoS指标分配不同的权值,进行权值论域的标准归一化处理;
对标准化的权值进行模糊化处理;
对模糊化处理后的QoS指标选择合适的隶属函数,并根据隶属度最大化原则实现去模糊化,得到模糊权重值;
根据业务需求选取QoE指标的映射函数,将得到的模糊权重值用于所述映射函数,得到QoE指标的映射权重值,作为无线资源管理指标。
优选地,所述基于改进的机器学习分类技术对所述原始社交数据进行预处理具体包括:
对朴素贝叶斯算法进行改进,基于改进的朴素贝叶斯算法对输入的社交数据进行分类;
利用过采样技术,基于机器学习算法KNN对数据进行均衡处理,步骤如下:
计算少数类样本之间的欧氏距离:
式中xi,x
设置KNN最邻近的K值为5,从上述式子所得的欧式距离集合表中选取5个最小值,从选取的5个最近邻样本中以随机方式选择样本中的10个数据值;
将原样本中的数据与这10个数据值作如下处理产生新样本值:
x
预处理后得到用户个体及用户间的社交数据。
优选地,所述基于关联分析及聚类分析技术对社交数据进行映射,将社交数据映射为直接反映物理层面参数的信息具体包括:
根据来自于用户个体及用户间的社交数据是否与物理层面参数相关联,决定相应的社交数据是否能够直接与QoS指标相转化;
对于能够转化的社交数据,基于聚类分析技术,将社交数据映射为直接反映物理层面参数的信息;
映射前社交数据构成的网络社交层面特征向量为α,映射后网络物理层面参数特征向量为β,映射前网络社交层面特征向量集合为D(α
优选地,所述将社交数据映射为直接反映物理层面参数的信息具体包括:
将社交数据映射为与时间、距离、速度、位置、信号强度相关的直接反映物理层面参数的信息。
优选地,所述对不同来源的社交数据的QoS指标分配不同的权值,进行权值论域的标准归一化处理具体包括:
根据获得的社交数据的来源:来自于社交网络、来自于大数据、来自于对边缘环境的物理层监控结果,对社交数据的QoS指标分配不同的权值;
上述三种来源的QoS指标分配的权值分别为u
u
其中,为突出体现终端用户的体验,设置来自于大数据的反映用户差异化通信特征的QoS指标占据更高的权重。
优选地,对每个来源的QoS指标进一步按照其物理层面的网络模型进行分类,分为:应用层QoS指标,网络层QoS指标,以及底层QoS指标。
优选地,所述对标准化的权值进行模糊化处理具体包括:
使用加权平均的模糊算子,综合考虑各个指标对模型的影响,同时保留单个指标决策的全部信息,基于改进的层次分析法构建各指标模糊权重集;
构造目标-因素判断矩阵对所述模糊权重集的可靠性进行检验。
优选地,所述对模糊化处理后的QoS指标选择合适的隶属函数,并根据隶属度最大化原则实现去模糊化,得到模糊权重值具体包括:
根据模糊规则,对模糊化处理后的QoS指标选择合适的隶属函数,通过隶属函数的计算得到以隶属度为元素的模糊矩阵R;
将论域权重U与模糊矩阵R进行模糊运算,得到应用模糊理论后的输出:
根据隶属度最大化原则实现去模糊化,得到模糊权重值。
优选地,采取以下方式获得隶属函数:
根据模糊统计实验法得到隶属函数;
或者,搭建神经网络训练隶属函数,通过构建三层卷积神经网络实现从影响因素到隶属度之间的映射。
优选地,所述QoE指标的映射函数包括:基于对数函数的非实时业务描述;基于指数函数的实时业务描述;基于线性函数的语音业务描述;以及基于分段函数和多函数的综合业务描述。
本发明实施例提供的技术方案带来的有益效果至少包括:
本发明提供的边缘计算环境下无线资源管理指标的映射模型构建方法,能够对边缘计算环境下的用户社交数据进行数据挖掘,获得以社交数据为变量的物理层面参数模型分布和QoS-QoE的映射模型,作为边缘计算无线资源管理的指标,不仅能够突出边缘用户的优先体验,而且能够满足网络的异构型和业务多样性需求。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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发明的一些实施例,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是本发明实施例提供的一种边缘计算下无线资源管理指标的映射模型构建方法的流程图;
图2是本发明实施例提供的基于改进NB算法对原始社交数据进行预处理的流程图;
图3是本发明实施例提供的边缘计算环境下QoS指标输入论域权值确定流程图;
图4是本发明实施例提供的基于模糊数学的映射模型权重确定流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地详细描述。
本发明的实施例提供了一种边缘计算下无线资源管理指标的映射模型构建方法,如图1所示,该方法包括以下步骤:
获取边缘终端设备的原始社交数据;
基于改进的机器学习分类技术对所述原始社交数据进行预处理,得到处理后的社交数据,所述社交数据包括:用户个体的社交数据和用户间的社交数据;其中,用户个体的社交数据是指基于挖掘技术来获得用户的习惯、偏好等;用户间的社交数据通过对社交网络进行关联分析获取。
基于关联分析及聚类分析技术对社交数据进行映射,将社交数据映射为直接反映物理层面参数的信息;
建立社交数据分布相应的数学模型并进行关联映射,获得以社交数据为变量的物理层面参数的概率分布模型,将其作为无线资源管理问题的优化目标;
QoE指标是多项QoS指标的综合,对不同来源的社交数据的QoS指标分配不同的权值,进行权值论域的标准归一化处理;
对标准化的权值进行模糊化处理,根据不同的业务类型、不同时间,将输入的数值模糊化;
对模糊化处理后的QoS指标选择合适的隶属函数,并根据隶属度最大化原则实现去模糊化,得到模糊权重值;
根据业务需求选取QoE指标的映射函数,将得到的模糊权重值用于所述映射函数,得到QoE指标的映射权重值,作为无线资源管理指标。
本发明所述方法能够对边缘计算环境下的用户社交数据进行数据挖掘,获得以社交数据为变量的物理层面参数模型分布和QoS-QoE的映射模型,作为边缘计算无线资源管理的指标,不仅能够突出边缘用户的优先体验,而且能够满足网络的异构型和业务多样性需求。
作为本发明的一种具体实施方式,所述边缘计算环境下的无线资源管理指标映射模型的具体构建方法如下:
步骤1,获取边缘终端设备上的原始社交数据。
步骤2,对原始社交数据进行预处理。
如图2所示,本发明实施对传统的朴素贝叶斯(Naive Bayes,NB)算法进行改进,基于改进的NB算法对输入的原始社交数据进行分类,改进后的NB算法可以有效解决原算法不能等概学习各类别的特征而导致的分类结果偏差问题。利用过采样技术,基于机器学习算法—KNN(K-Nearest Neighbor)对数据进行均衡处理,步骤如下:
首先,计算少数类样本之间的欧氏距离:
式中x
然后,设置KNN最邻近的K值为5,根据上述所得的欧式距离集合表,选取5个最小值。从5个最近邻样本中以随机方式选择样本中的10个数据值,将原样本中的数据与这10个数据值作如下处理产生新样本值:
x
预处理后得到用户个体及用户间的社交数据。
步骤3,如图3所示,对预处理后的社交数据进行聚类分析和权重归一化处理。将步骤2中得到的社交数据分为与时间、距离、速度、位置、信号强度等相关的直接反映物理层面参数的信息。
首先,将社交数据分为三个来源:大数据,社交网络,以及网络层监控结果。并为三个类别分别配以权重u
在第二级分类中,依照该性质下数据来源,将其分为与时间相关、位置相关、距离相关、速度相关等。社交网络性质下的数据来源设置为L,大数据性质下的数据来源设置为M,网络层监控性质下的数据来源设置为K,分别满足以下参数约束:
u
u
u
步骤4,对于用户之间的亲密关系认为直接反应了综合信道质量信息,定义一个综合物理层链路和社交层链路的信道增益系数h。
其中,以h
h=h
G
综合了物理层面和社交层面的信道质量增益G
步骤5,如图4所示,本发明实施例基于模糊数学构建映射模型,形成影响因素和信道质量集合U、V。
根据步骤3可知,U={u
u
第二层为社交网络性质下的数据来源为L,大数据性质下的数据来源为M,网络层监控性质下的数据来源为K。信道质量集合V={v
步骤6,所述映射模型为更突出体现终端用户的体验,需要设置来自于大数据的反映用户差异化通信特征的QoS指标占据更高的权重。其中A
A
A
A
A
步骤7,本发明实施实例基于最大隶属度原则,对于论域U上的一个模糊子集A,其中有i个模糊子对象V
由u
其中,R
步骤8,根据步骤6中各层影响因素权重集合,构建模糊决策矩阵。本发明实施例所用的模糊算子为加权平均型,综合考虑各个因素对模型的影响,同时保留单个因素决策的全部信息。
依据首层影响因素集合进行决策,决策对象隶属于决策集中元素的隶属度,则一级模糊决策矩阵B
根据一级决策矩阵的结果,对内层影响因素集合进行综合决策,在各个因素之间进行综合,一级模糊权重决策的R
步骤9,本发明实施例基于改进的层次分析法构建各因素模糊权重集。以A为目标,影响因子集合为U={u
根据W矩阵,计算总体标准差:
若δ
为检验此结果的一致性,采用IAHP(ImprovedAnalytic Hierarchyprocess)法构造矩阵W
求得构造矩阵的最大特征值所对应的向量即为各影响因素的模糊权重评判结果,再经过标准差平移得到归一化的相对权值结果。
若存在δ
基于极值法求得使J最小的最优传递矩阵B=[b
步骤10,根据步骤7,基于模糊规则确定隶属函数,隶属函数确定了评判矩阵中的r
1)根据模糊统计实验法获得隶属函数,本实验法主要针对使用频次较高的信道影响因素,隶属度的计算具有一定主观性质;
2)搭建神经网络训练隶属度函数,构建三层的卷积神经网络完成从影响因素到隶属度之间的映射。在搭建BP(Back Propogation)网络时,隐藏层节点的个数可根据公式:i+o+a来确定。其中i、o分别为输入层、输出层的单元数,c为1~10之间的某一数值。
步骤11,由步骤9、步骤10得到的隶属度函数和评判矩阵权重输出,根据步骤8中的决策矩阵计算公式,可获得相应的模糊权重输出值。
步骤12,将该模糊权重值应用于QoE的映射函数,包括以下几种:基于对数函数的非实时业务描述;基于指数函数的实时业务描述;基于线性函数的语音业务描述;以及基于分段函数和多函数的综合业务描述;用于描述多个QoS指标,最终得到体现用户差异的从QoS指标到QoE指标的映射。
综上所述,本发明能够对边缘计算环境下的用户社交数据进行数据挖掘,获得以社交数据为变量的物理层面参数模型分布和QoS-QoE的映射模型,作为边缘计算无线资源管理的指标,突出边缘用户的优先体验,更能满足网络的异构型和业务多样性需求。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
机译: 边缘组件数据库的构建方法,边缘组件数据库的构建装置和边缘组件数据库的构建程序
机译: 基于管理指标的订单优先级计算单元,基于管理指标的订单优先级计算方法和基于管理指标的订单优先级计算程序
机译: 边缘计算下次顶通道的检测方法