基于边缘智能的频谱地图构建与分发方法

doi:10.11896/jsjkx.220400148

摘要

摘要：无线环境图（REM）可以帮助认知用户准确感知和利用频谱空洞，实现网络节点之间的干扰协调，提高无线网络的频谱效率和鲁棒性。然而，认知用户在使用和共享REM时，存在计算复杂度高和分布延迟开销大的问题，这限制了认知用户实时感知空间频谱状况的能力。为了解决这一问题，本文提出了一种基于强化学习的移动边缘智能网络REM构建与分发方法。首先，我们采用了一种低复杂度的构造技术，该技术将克里金插值和超分辨率相结合用于REM构造。其次，我们利用边缘计算将REM构建和分发过程中的计算卸载策略选择问题建模为一个混合整数非线性规划问题。最后，我们将人工智能技术与边缘计算技术相结合，提出了一个集中式训练、分布式执行强化学习框架，用于学习不同网络场景下的REM构建和分发策略。仿真结果表明，该方法具有良好的适应性，可以有效降低REM构建和分发的能耗和延迟，支持认知用户在移动边缘网络场景中近实时应用REM。

关键词： 无线电环境图，边缘智能，计算迁移，强化学习

CLC编号：

TN915型

刘兴光，周丽，刘燕，张晓颖，谭翔，魏继波.基于边缘智能的REM构建与分发方法[J]。计算机科学，2022，49（9）：236-241。

工具书类

[1] 夏海英，贾仕，黄建杰，等.光谱图构建方法综述[J]。中国射电科学杂志，2020,35（4）：12。
[2] KATAGIRI K，FUJII T.Mesh-基于簇的无线地图自治分布式网络的构建[C]//2021第十二届全球和未来网络国际会议（ICUFN）。IEEE，2021:345-349。
[3] BEDNAREK P，ŁOPATKA J，BICKI D.认知无线电网络模拟器的无线电环境图[J]。国际电子与电信杂志，2018,64（1）：45-49。
[4] EZZATI N，TAHERI H.基于rem的认知无线电网络中的分布式频谱感知[J]。工程建模杂志，2019,17（56）：223-233。
[5] KANIEWSKI P，ROMANIK J，GOLAN E，等.无线电环境图支持的认知无线电频谱感知：分区方法[J]。应用科学，2021,11（7）：2910。
[6] 桑塔纳·Y·H，PLETS D，ALONSO R M，等.利用实时REM和物联网管理平台进行气象事件后恢复的工具[J]。无线通信与移动计算，20192019（1）：1-13。
[7] 尹磊，罗杰，罗华。基于容器的智能制造系统雾计算任务调度与资源分配[J]。IEEE工业信息学汇刊，2018，14（10）：4712-4721。
[8] KIBRIA M G，NGUYEN K，VILLARDI G P，等.下一代无线网络中的大数据分析、机器学习和人工智能[J]。IEEE接入，2018年，6:32328-32338。
[9] ATAWIA R，HASSAEIN H S，ALI N A等。网络不确定性下绿色预测视频传输的随机建模应用[J]。IEEE绿色通信与网络汇刊，2018，2（2）：556-569。
[10] 李明生，高军，赵力，等.车辆网络中协同边缘计算的深度强化学习[J]。IEEE认知通信与网络汇刊，2020,6（4）：1122-1135。
[11] 史伟，曹军，张强，等.边缘计算：前景与挑战[J]。IEEE物联网杂志，2016,3（5）：637-646。
[12] KHORAMNEJAD F，EROL-KANTARCI M.关于联合离岸和资源分配：双深度Q网络方法[J]。IEEE认知通信与网络汇刊，2021,7（4）：1126-1141。
[13] QU Y B，DONG C，ZHENG J C，等.利用空地一体化联合学习增强边缘智能[J]。IEEE网络，2021,35（5）：34-41。
[14] 刘振中，赵永发，宋建德，等.边缘计算中计算卸载和资源分配的协调：一种基于理性的分布式方法[J]。IEEE网络科学与工程汇刊，2021,1（1）：1-15。
[15] CHOWDAPPA V P，BOTELLA C，SAMPER-ZAPATER J J，等.5G汽车分布式无线地图重建[J]。IEEE智能运输系统杂志，2018,10（2）：36-49。
[16] SERGEEV A P，TARASOV D A，BUEVICH A G，等.基于神经网络残差克里金法的高变差亚北极表层土壤污染物浓度预测[J]。AIP会议记录，20171836（1）：020023。
[17] 邓玉斌，周磊，王磊，等.基于超分辨率成像的智能交通系统无线环境地图构建[J]。IEEE接入，2020,8:47272-47281。
[18] 杜杰，于福瑞，卢刚，等.MEC支持的基于太赫兹无线网络的沉浸式VR视频流：一种深度强化学习方法[J]。IEEE物联网杂志，2020,7（10）：9517-9529。
[19] TAHA A E M，ALI N A，CHI H R，et al.MEC资源卸载用于QoE-aware HAS视频流[C]//ICC 2021-IEEE国际通信会议。IEEE，2021:1-5。
[20] GENDA K，ABE M，KAMAMURA S.使用分布式边缘计算的视频通信优化[C]//2020第21届亚太网络运营和管理研讨会（APNOMS）。IEEE，2020:381-384。
[21]姜凯，周华，李德，等.基于Q-学习的移动边缘计算中能量有效计算卸载方法[C]//2020第29届国际计算机通信与网络会议（ICCCN）。IEEE，2020:1-7。

相关文章15

[1]	袁伟林，罗俊仁，卢丽娜，陈家兴，张万鹏，陈静。对抗性智能游戏方法：基于博弈论和强化学习的整体比较分析[J] ●●●●。计算机科学，2022，49（8）：191-204。
[2]	史殿熙、赵晨兰、张耀文、杨绍武、张永军。基于多智能体强化学习的端到端合作自适应奖励方法[J] ●●●●。计算机科学，2022，49（8）：247-256。
[3]	于斌，李学华，潘春玉，李娜。基于深度强化学习的边云协同资源分配算法[J] ●●●●。计算机科学，2022，49（7）：248-253。
[4]	李梦飞、毛英才、屠子建、王璇、徐树芳。基于深度确定性策略梯度的服务器可靠性任务卸载策略[J] ●●●●。计算机科学，2022，49（7）：271-279。
[5]	郭玉新，陈秀红。结合BERT词嵌入表示和主题信息增强的自动摘要模型[J] ●●●●。计算机科学，2022，49（6）：313-318。
[6]	范敬佑、刘全。基于随机加权三Q学习的非策略最大熵深度强化学习算法[J] ●●●●。计算机科学，2022，49（6）：335-341。
[7]	谢婉成，李斌，戴月月。基于PPO的空中可重构智能表面辅助边缘计算任务卸载方案[J] ●●●●。计算机科学，2022，49（6）：3-11。
[8]	洪志利、赖军、曹磊、陈喜良、徐志雄。基于后悔探索的决斗网络强化学习智能推荐方法研究[J] ●●●●。计算机科学，2022，49（6）：149-157。
[9]	张家能、李辉、吴浩琳、王庄。探索与开发平衡经验回放[J] ●●●●。计算机科学，2022，49（5）：179-185。
[10]	李鹏、易秀文、齐德康、段哲文、李天瑞。基于深度学习的供热策略优化方法[J] ●●●●。计算机科学，2022，49（4）：263-268。
[11]	欧阳卓、周四元、吕勇、谭国平、张跃、向良良。基于DRL的无信号交叉口车辆控制策略[J] ●●●●。计算机科学，2022，49（3）：46-51。
[12]	周勤、罗飞、丁伟超、顾春华、郑帅。基于连续过度松弛的双快速Q学习[J] ●●●●。计算机科学，2022，49（3）：239-245。
[13]	李苏、宋宝妍、李东、王俊禄。金融活动的复合区块链关联事件追踪方法[J] ●●●●。计算机科学，2022，49（3）：346-353。
[14]	黄新泉、刘爱军、梁晓虎、王恒。航空传感器网络中的负载平衡地理路由协议[J] ●●●●。计算机科学，2022，49（2）：342-352。
[15]	侯鸿旭、孙朔、吴尼尔。蒙古语-汉语神经机器翻译综述[J] ●●●●。计算机科学，2022，49（1）：31-40。

韵律学

已查看

全文

摘要

引用

共享

讨论

基于边缘智能的REM构造与分布方法

PDF（PC）

摘要

引用这篇文章

分享这篇文章

工具书类

相关文章15

韵律学

评论

推荐0