本發(fā)明屬于通信與人工智能交叉領(lǐng)域，具體涉及一種面向snn低功耗推理的蜂窩網(wǎng)絡(luò)資源調(diào)度方法及裝置。

背景技術(shù)：

1、由于蜂窩網(wǎng)絡(luò)發(fā)展，網(wǎng)絡(luò)中設(shè)備的多樣性和并發(fā)任務(wù)的復(fù)雜性不斷增加，傳統(tǒng)的資源調(diào)度方法在應(yīng)對(duì)高動(dòng)態(tài)任務(wù)負(fù)載和低功耗需求時(shí)表現(xiàn)出明顯的局限性。現(xiàn)有技術(shù)主要基于人工神經(jīng)網(wǎng)絡(luò)(ann)實(shí)現(xiàn)資源分配，但ann的同步通信機(jī)制在高動(dòng)態(tài)網(wǎng)絡(luò)中存在高延遲和高能耗的問(wèn)題。

2、相比之下，脈沖神經(jīng)網(wǎng)絡(luò)(snn)憑借其事件驅(qū)動(dòng)的異步計(jì)算模式和稀疏激活特性，展現(xiàn)出更優(yōu)的低功耗和魯棒性?xún)?yōu)勢(shì)，尤其在時(shí)序敏感任務(wù)處理和邊緣設(shè)備的分布式協(xié)作中具有巨大潛力。然而，現(xiàn)有蜂窩網(wǎng)絡(luò)架構(gòu)中對(duì)snn的支持有限，傳統(tǒng)的分布式資源管理系統(tǒng)難以動(dòng)態(tài)適應(yīng)snn的通信需求和資源分配策略，無(wú)法充分發(fā)揮snn的能耗優(yōu)勢(shì)和時(shí)序處理能力。因此亟需一種新方法。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供一種面向snn低功耗推理的蜂窩網(wǎng)絡(luò)資源調(diào)度方法及裝置，該裝置基于“輸入層-隱藏層-輸出層”的snn架構(gòu)，模擬蜂窩網(wǎng)絡(luò)中的設(shè)備、邊緣服務(wù)器和基站之間的通信過(guò)程，通過(guò)分布式協(xié)同優(yōu)化帶寬、功率等參數(shù)，提高了大規(guī)模分布式蜂窩網(wǎng)絡(luò)的資源調(diào)度效率，并分析了同質(zhì)snn架構(gòu)下隱藏層節(jié)點(diǎn)數(shù)量與神經(jīng)元數(shù)量的比例關(guān)系，為優(yōu)化snn在蜂窩網(wǎng)絡(luò)資源調(diào)度中的應(yīng)用提供了依據(jù)。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供了一種面向snn低功耗推理的蜂窩網(wǎng)絡(luò)資源調(diào)度方法，包括以下步驟：

3、s1、使用輸入層、隱藏層和輸出層三層分布式脈沖神經(jīng)網(wǎng)絡(luò)映射蜂窩網(wǎng)絡(luò)的物理層，形成分布式脈沖神經(jīng)網(wǎng)絡(luò)推理任務(wù)的分布式通信架構(gòu)，在使用通信架構(gòu)進(jìn)行推理任務(wù)時(shí)，將推理時(shí)間劃分為t個(gè)時(shí)隙，每個(gè)時(shí)隙的長(zhǎng)度為δt，所有時(shí)隙的持續(xù)時(shí)間均相等；

4、s2、蜂窩網(wǎng)絡(luò)中的弱算力終端設(shè)備作為輸入節(jié)點(diǎn)，輸入節(jié)點(diǎn)生成的脈沖信號(hào)在每個(gè)時(shí)隙內(nèi)傳輸至隱藏層中的隱藏節(jié)點(diǎn)；隱藏節(jié)點(diǎn)通過(guò)d2d通信機(jī)制在邊緣側(cè)進(jìn)行協(xié)同處理，并依據(jù)接收到的脈沖信號(hào)對(duì)所分配的隱藏層神經(jīng)元子集進(jìn)行狀態(tài)更新，并在下一個(gè)時(shí)隙生成新的脈沖信號(hào)，并將新的脈沖信號(hào)發(fā)送給輸出層；

5、s3、在推理周期結(jié)束的第t個(gè)時(shí)隙內(nèi)，輸出層持續(xù)接收來(lái)自隱藏層的脈沖信號(hào)，并進(jìn)行結(jié)果聚合，在整個(gè)推理周期內(nèi)，輸出層保持接收狀態(tài)等待有效脈沖信號(hào)的到達(dá)，循環(huán)執(zhí)行s2；

6、s4、在推理周期結(jié)束后，輸出層利用全部t個(gè)時(shí)隙內(nèi)聚合的脈沖信號(hào)序列進(jìn)行脈沖解碼，并輸出最終的推理結(jié)果；

7、s5、通過(guò)分布式協(xié)同優(yōu)化資源調(diào)度方法調(diào)整s2、s3與s4中各邊緣計(jì)算節(jié)點(diǎn)的資源分配。

8、優(yōu)選的，輸入層映射至蜂窩網(wǎng)絡(luò)中的弱算力終端設(shè)備層，隱藏層映射至蜂窩網(wǎng)絡(luò)中的邊緣計(jì)算層，輸出層映射至蜂窩網(wǎng)絡(luò)中的基站，邊緣計(jì)算層包括邊緣計(jì)算節(jié)點(diǎn)，邊緣計(jì)算節(jié)點(diǎn)對(duì)應(yīng)隱藏層中的隱藏節(jié)點(diǎn)，邊緣計(jì)算節(jié)點(diǎn)獨(dú)立處理一部分隱藏層神經(jīng)元，邊緣計(jì)算節(jié)點(diǎn)之間通過(guò)d2d通信結(jié)構(gòu)進(jìn)行通信。

9、優(yōu)選的，s2中，隱藏節(jié)點(diǎn)依據(jù)接收到的脈沖信號(hào)對(duì)所分配的隱藏層神經(jīng)元子集進(jìn)行狀態(tài)更新，包括以下步驟：

10、s201、在時(shí)隙t開(kāi)始時(shí)，根據(jù)來(lái)自神經(jīng)元和輸入信號(hào)的脈沖信息，計(jì)算當(dāng)前時(shí)隙的輸入突觸電流in[t]，公式為：

11、

12、其中，sm[t]∈{0,1}為神經(jīng)元的脈沖發(fā)放狀態(tài)，wnm為突觸權(quán)重，為來(lái)自神經(jīng)元的脈沖信號(hào)加權(quán)和，vm為外部輸入信號(hào)對(duì)神經(jīng)元的權(quán)重，為外部傳感器信號(hào)對(duì)神經(jīng)元的加權(quán)影響；

13、s202、使用簡(jiǎn)化后的膜電位更新公式更新隱藏神經(jīng)元的膜電位un[t+1]，公式為：

14、un[t+1]＝τun[t]+in[t]；

15、其中，un[t]為神經(jīng)元的膜電位，τ為泄漏時(shí)間常數(shù)，in[t]為神經(jīng)元的輸入突觸電流；

16、s203、檢查神經(jīng)元的膜電位是否達(dá)到發(fā)放閾值uth；如果是，則該神經(jīng)元發(fā)放一個(gè)脈沖，并將膜電位重置為ureset＝0；否則，繼續(xù)維持當(dāng)前狀態(tài)；

17、s204、重復(fù)執(zhí)行s201至s203，直到完成所有時(shí)隙的迭代。

18、優(yōu)選的，神經(jīng)網(wǎng)絡(luò)的通信過(guò)程中，輸入層和隱藏層之間以及隱藏節(jié)點(diǎn)之間的通信時(shí)延tk公式為：

19、

20、其中，lk為尖峰信號(hào)的比特?cái)?shù)，sl為神經(jīng)元在當(dāng)前時(shí)間步的脈沖發(fā)放狀態(tài)，rk為節(jié)點(diǎn)的傳輸速率，πk為節(jié)點(diǎn)中包含的神經(jīng)元集合，為神經(jīng)元發(fā)出的尖峰信號(hào)數(shù)量。

21、優(yōu)選的，尖峰信號(hào)傳輸時(shí)，采用窄帶無(wú)線通信技術(shù)和頻分多址方法來(lái)分配信道資源，給節(jié)點(diǎn)分配帶寬，并配備單根天線完成尖峰信號(hào)的傳輸。

22、優(yōu)選的，s2中，輸入節(jié)點(diǎn)與隱藏節(jié)點(diǎn)之間的傳輸速率ri,j公式為：

23、

24、其中，hi,j為輸入節(jié)點(diǎn)和隱藏節(jié)點(diǎn)之間的信道增益，pi為輸入節(jié)點(diǎn)的發(fā)射功率，n0為加性高斯白噪聲的功率譜密度，wi為分配給輸入節(jié)點(diǎn)的帶寬；

25、輸入節(jié)點(diǎn)廣播速率ri公式為：

26、

27、其中，gi為從輸入節(jié)點(diǎn)接收端的信道增益，且|hi|＝|hi|為輸入節(jié)點(diǎn)到所有隱藏節(jié)點(diǎn)中的最小信道增益模值；

28、隱藏節(jié)點(diǎn)與基站之間的傳輸速率rj公式為：

29、

30、其中，pj為隱藏節(jié)點(diǎn)的發(fā)射功率，且|hj,j′|為隱藏節(jié)點(diǎn)之間的信道增益，|hj,bs|為隱藏節(jié)點(diǎn)和基站之間的信道增益，wj為分配給隱藏節(jié)點(diǎn)的帶寬。

31、優(yōu)選的，建立能量消耗模型，輸入節(jié)點(diǎn)傳輸尖峰信號(hào)的能量公式為：

32、

33、其中，pi為輸入節(jié)點(diǎn)的發(fā)射功率，ti為輸入節(jié)點(diǎn)的傳輸時(shí)間，li為輸入節(jié)點(diǎn)需要傳輸?shù)臄?shù)據(jù)量，為神經(jīng)元的平均發(fā)放率；

34、隱藏節(jié)點(diǎn)能量消耗ej公式為：

35、

36、其中，為更新神經(jīng)元的能量，為隱藏節(jié)點(diǎn)傳輸尖峰信號(hào)的能量，的形式與相同，公式為：

37、

38、其中，為更新單個(gè)尖峰神經(jīng)元?jiǎng)恿W(xué)所需要的能量，|πk|為與隱藏節(jié)點(diǎn)連接的神經(jīng)元數(shù)量，為生成一個(gè)尖峰信號(hào)所需要的能量，ωk為與隱藏節(jié)點(diǎn)相關(guān)的一組節(jié)點(diǎn)結(jié)合。

39、優(yōu)選的，基于分布式協(xié)同優(yōu)化的資源調(diào)度方法包括對(duì)脈沖數(shù)量qj的優(yōu)化，公式為：

40、

41、其中，αj為權(quán)重系數(shù)，cj為更新單個(gè)尖峰神經(jīng)元所需能量的成本項(xiàng)；

42、對(duì)功率pk、帶寬wk的優(yōu)化，公式為：

43、

44、其中，αk為權(quán)重系數(shù)，pk為節(jié)點(diǎn)的發(fā)射功率，qk為分配給節(jié)點(diǎn)的神經(jīng)元數(shù)量，gk為從節(jié)點(diǎn)到接收端的信道增益；

45、對(duì)功率pk、帶寬wk的優(yōu)化包括：

46、固定功率wk、優(yōu)化帶寬pk，公式為：

47、

48、其中，為節(jié)點(diǎn)的最優(yōu)發(fā)射功率，tmax為最大允許傳輸時(shí)間；

49、如果進(jìn)一步調(diào)整wk以滿(mǎn)足時(shí)延約束；

50、固定帶寬pk、優(yōu)化功率wk，使用凸優(yōu)化工具求解帶寬wk的分配，同時(shí)滿(mǎn)足帶寬約束和時(shí)延約束，帶寬約束公式為：

51、∑wk≤w；

52、其中，w為總的可用帶寬資源；

53、時(shí)延約束公式為：

54、

55、更新拉格朗日對(duì)偶變量，拉格朗日對(duì)偶變量λk,θk,γk的更新公式為：

56、

57、其中，為在第t+1次迭代時(shí)節(jié)點(diǎn)的拉格朗日乘子的新值，為第t次迭代時(shí)節(jié)點(diǎn)的發(fā)射功率值，pmax為節(jié)點(diǎn)發(fā)射功率的最大允許值；

58、

59、其中，為在第t+1次迭代時(shí)節(jié)點(diǎn)的輔助變量的新值，為在第t次迭代時(shí)節(jié)點(diǎn)k的當(dāng)前輔助變量值，η為學(xué)習(xí)率參數(shù)，為在第t次迭代時(shí)節(jié)點(diǎn)的帶寬，為在第t次迭代時(shí)節(jié)點(diǎn)的發(fā)射功率。

60、優(yōu)選的，在分布式通信架構(gòu)中還包括同質(zhì)脈沖神經(jīng)網(wǎng)絡(luò)的隱藏節(jié)點(diǎn)與神經(jīng)元數(shù)量比例調(diào)度機(jī)制；同質(zhì)脈沖神經(jīng)網(wǎng)絡(luò)神經(jīng)元?jiǎng)恿W(xué)模型構(gòu)成，神經(jīng)元?jiǎng)恿W(xué)模型包括漏電積分與發(fā)放模型。

61、本發(fā)明還提供了一種面向snn低功耗推理的蜂窩網(wǎng)絡(luò)資源調(diào)度裝置，包括以下模塊：

62、第一模塊，負(fù)責(zé)使用輸入層、隱藏層和輸出層三層分布式脈沖神經(jīng)網(wǎng)絡(luò)來(lái)映射蜂窩網(wǎng)絡(luò)的物理層，形成一個(gè)用于執(zhí)行推理任務(wù)的分布式通信架構(gòu)，并執(zhí)行推理任務(wù)，在進(jìn)行推理任務(wù)時(shí)，將推理時(shí)間劃分為t個(gè)等長(zhǎng)時(shí)隙，每個(gè)時(shí)隙長(zhǎng)度為δt；

63、第二模塊，與所述第一模塊相連，用于蜂窩網(wǎng)絡(luò)中的弱算力終端設(shè)備作為輸入節(jié)點(diǎn)，輸入節(jié)點(diǎn)生成的脈沖信號(hào)在每個(gè)時(shí)隙內(nèi)傳輸至隱藏層中的隱藏節(jié)點(diǎn)；隱藏節(jié)點(diǎn)通過(guò)d2d通信機(jī)制在邊緣側(cè)進(jìn)行協(xié)同處理，并依據(jù)接收到的脈沖信號(hào)對(duì)所分配的隱藏層神經(jīng)元子集進(jìn)行狀態(tài)更新，并在下一個(gè)時(shí)隙生成新的脈沖信號(hào)，并將新的脈沖信號(hào)發(fā)送給輸出層；

64、第三模塊，與所述第二模塊相連，使輸出層在推理周期結(jié)束的第t個(gè)時(shí)隙內(nèi)接收來(lái)自隱藏層中激活神經(jīng)元生成的最終脈沖信號(hào)，并進(jìn)行聚合處理；在整個(gè)推理周期中，輸出層保持接收狀態(tài)等待有效脈沖信號(hào)的到達(dá)，同時(shí)循環(huán)運(yùn)行第二模塊以持續(xù)驅(qū)動(dòng)隱藏層的狀態(tài)演化；

65、第四模塊，與所述第三模塊相連，在推理周期結(jié)束后，輸出層利用全部t個(gè)時(shí)隙內(nèi)聚合的脈沖信號(hào)序列進(jìn)行脈沖解碼，并輸出最終的推理結(jié)果；

66、第五模塊，與所述第四模塊相連，用于協(xié)調(diào)和調(diào)度隱藏層d2d通信資源。

67、因此，本發(fā)明采用上述一種面向snn低功耗推理的蜂窩網(wǎng)絡(luò)資源調(diào)度方法及裝置，與現(xiàn)有技術(shù)相比，本發(fā)明具有以下顯著的有益效果：

68、(1)本發(fā)明提出了一種面向snn低功耗推理的蜂窩網(wǎng)絡(luò)資源調(diào)度方法，構(gòu)建了基于snn的蜂窩網(wǎng)絡(luò)架構(gòu)，采用“輸入層-隱藏層-輸出層”三層結(jié)構(gòu)，輸入層模擬蜂窩終端設(shè)備，隱藏層模擬邊緣設(shè)備，輸出層模擬基站，形成面向snn的分布式通信網(wǎng)絡(luò)架構(gòu)；

69、(2)本發(fā)明通過(guò)對(duì)系統(tǒng)中傳輸延遲、丟包率和帶寬利用率等關(guān)鍵網(wǎng)絡(luò)性能指標(biāo)的監(jiān)測(cè)，動(dòng)態(tài)調(diào)整通信資源的分配策略，確保分布式snn推理任務(wù)在滿(mǎn)足時(shí)延要求的前提下實(shí)現(xiàn)最優(yōu)的能耗控制；

70、(3)本發(fā)明提出了一種分布式異步通信機(jī)制，在snn的時(shí)序敏感性特性基礎(chǔ)上，模擬蜂窩網(wǎng)絡(luò)中多設(shè)備的異步通信場(chǎng)景，設(shè)計(jì)了一種多節(jié)點(diǎn)環(huán)境下的通信模型。該模型在傳輸過(guò)程中實(shí)時(shí)監(jiān)測(cè)傳輸延遲、帶寬使用率等網(wǎng)絡(luò)性能指標(biāo)，基于這些指標(biāo)動(dòng)態(tài)調(diào)整通信資源分配策略，以最大化網(wǎng)絡(luò)的魯棒性和任務(wù)的穩(wěn)定性；

71、(4)本發(fā)明通過(guò)采用分布式協(xié)同優(yōu)化策略，逐步求解每個(gè)子問(wèn)題，從而確保蜂窩網(wǎng)絡(luò)中分布式snn推理任務(wù)的最優(yōu)資源分配方案。

72、下面通過(guò)附圖和實(shí)施例，對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。