一种高时效状态监测系统的设备调度及传输方法

本发明涉及物联网，尤其涉及一种高时效状态监测系统的设备调度及传输方法。

背景技术：

1、随着5g技术的进步，实时信息的获取在自动驾驶、智能控制、环境监测等领域变得越来越重要。在远程监测场景中，系统中设备往往执行一些对时效性要求很高的任务，陈旧的状态信息会导致接收端对信源状态的预测出现很大的误差，进而影响后续服务的质量。因此，信息的时效性在此系统中起着重要作用。

2、信息年龄(age of information,aoi)被用来度量信息的时效性，它被定义为最新接收的状态更新的采样时间到当前时间的时间间隔。现有很多工作将aoi作为优化指标设计采样调度策略，并且提出了具有阈值结构的采样策略和基于贪婪或者李雅普诺夫优化等的调度策略。并且，许多工作还将其拓展到具有不同系统限制的场景，例如采样频率限制、能耗限制、吞吐量限制和通信限制等，在资源限制下设计采样调度算法以优化平均aoi。然而，aoi往往只反映信息时效性在时间维度上的变化，基于aoi进行调度的策略无法很好地反映实际系统状态和实时状态追踪的任务需求，也难以对不同设备进行区分。这会导致系统资源分配不合理，从而影响系统的整体性能。并且aoi作为反映时效性的指标，是一种抽象概念。在实际系统中，比如iot系统，往往不能直接用aoi作为性能指标。性能指标通常使用一些更加实际的物理量，比如预测误差、能耗等。

3、在一些实际场景中，对于系统状态的预测准确性会对后续服务产生影响。因此，许多工作在不同场景中推导了预测误差的表达式，并将其作为优化目标指导后续的采样和调度决策。在物联网(iot)状态监测系统中，往往是海量机器并发接入，为了提供良好的预测准确性，调度策略需要考虑如何将有限的资源分配给网络中不同的设备。在此系统中，通常使用均方误差(mse)来衡量预测准确性。其中，mse与接收信息的时效性有关，可以被表示为关于aoi的非线性函数。当信源变化存在规律的统计特征时，可以用mse表征预测误差并推导其闭式解，并且可以得出具有阈值结构的采样策略和基于贪婪算法的调度策略；当信源变化不存在规律统计特征但其变化规律遵循非线性动力学时，可以借助深度神经网络求解基于预测误差的最优多用户调度问题。然而，现有关于预测误差的采样调度策略很少同时考虑物理过程变化、实际场景中存在的干扰和具体任务种类带来的不同设备的差异性，这些因素会对预测误差表达的准确性和采样调度策略的最优性产生很大的影响，进而影响系统预测性能。

4、在实际场景中，复杂的噪声会系统在接收端无法直接观测到原始状态信息，进而导致性能严重下降。现有考虑噪声采样策略都是基于有噪单观测mse，基于单个观测样本的状态估计进行调度会产生较大误差，没有探究基于观测序列进行预测对于策略的影响，也没有探究多用户高噪信源和低噪信源共存场景下噪声异构性对于多设备联合调度策略的影响。因此，需要重新设计优化目标并提出考虑噪声的调度方案以降低噪声的影响。并且，设备端执行不同的任务对于吞吐量将会产生不同的需求，为了捕获这一属性，需要将网络中的每个设备与最小吞吐量要求相关联，除了提供良好的预测性能外，调度策略还应该满足来自各个设备的吞吐量限制。

技术实现思路

1、本发明针对以上问题，在iot状态监测场景下，通过挖掘物理过程结构特性、时变信道状态及信源噪声异构性对于预测性能的影响，提出一种高时效状态监测系统的设备调度及传输方法，在弱通信环境下设计轻量级多设备接入策略，使得系统可以将有限的资源用于传输更重要的数据，在满足各设备吞吐量的情况下最小化对系统状态估计的mse，从而提高系统在弱通信环境下的预测准确性。

2、为了实现上述目的，本发明提供如下技术方案：

3、本发明提供一种高时效状态监测系统的设备调度及传输方法，所述高时效状态监测系统为基于ornstein-uhlenbec(奥恩斯坦-乌伦贝，ou)过程的有噪状态监测系统，其设备调度及传输方法包括如下步骤：

4、步骤1：基站基于有噪观测序列进行当前信源状态的预测，并使用基于有噪观测序列推导的mse表达式作为目标函数，并且将调度决策作用于每个样本；

5、步骤2：联合考虑采样限制、各设备执行不同任务所需的吞吐量限制和信道干扰限制，建立有噪观测场景下优化预测误差模型，为了更好地平衡各设备的最大预测误差，将各设备的最大预测误差问题建模为在保证满足各设备最小吞吐量限制的条件下最小化最大平均mse问题p1；

6、步骤3：利用李雅普诺夫优化将长期吞吐量限制转化为队列稳定性问题，并将问题p1解耦为单时隙优化问题p2；

7、步骤4：针对每一时隙，利用轻量级有噪mse可知的调度算法来求解单时隙优化问题，获取样本调度决策。

8、进一步地，步骤1中，基站基于有噪观测序列进行当前信源状态的预测的过程如下：

9、样本在采样时会受到信源噪声干扰，在传输过程中会受到信道噪声干扰，假设信道为加性噪声信道，对于设备i，定义第n个样本的采样上传时间为τi,n，样本值为xi,n(τi,n)，样本在τi,n+1时刻到达基站，基站处接收值为：

10、yi,n(τi,n+1)＝xi,n(τi,n)+ωi,s(τi,n)+ωi,c(τi,n+1)

11、其中表示方差为的信源噪声，假设每个传感器的信源噪声方差不相同，不同时隙信源噪声方差不变；表示方差为的信道噪声，假设每条子信道信道噪声方差相同，不同时隙信道噪声方差不变；

12、每个设备的观测值都存储在一个长为n的fifo队列中，对于每时隙t，基站处根据最近的n个有噪观测值进行当前时刻状态的重构，其中整型变量ηi(t)表示t时刻基站处已有关于设备i的观测值总数；

13、假设t＝-1时所有设备进行了同步，即τi,1＝-1,ηi(t)被表示为：

14、

15、假设n是个固定值，每个设备相同。

16、进一步地，步骤1中，使用基于有噪观测序列推导的mse表达式为：

17、

18、其中，表示t时刻设备i的信噪比，ai,nn(t)表示ai(t)矩阵去掉最后一行和最后一列的矩阵，表示用于进行预测的观测值的实际样本序列，δi(t)表示t时刻设备i的信息年龄。

19、进一步地，步骤s2中，问题p1建模为：

20、p1

21、min m

22、s.t.

23、ai，n(t)∈{θ,1}

24、τi，n+1＞τi，n，n∈{1，2，...，ni，max-1}，

25、

26、

27、

28、

29、其中，τi,n+1＞τi,n,n∈{1,2,..,ni,max-1},表示第n+1个样本的采样时刻应该大于第n个样本的采样时刻，τi,n是整型变量；和表示采样限制；表示信道干扰限制，给定时隙t和子信道数k，bs最多可以调度k个设备上传他们的样本；表示设备最小吞吐量限制，且且qi≤1,msei(t),是连续变量，ai,n(t)是二进制变量，t,k,n,ni,max,qi是常数。

30、进一步地，步骤3中，利用李雅普诺夫优化将长期吞吐量限制转化为队列稳定性问题过程如下：

31、首先构造一个虚拟队列qi(t)，将长期吞吐量限制转化为队列稳定性问题：

32、

33、如果虚拟队列qi(t)满足稳定性，即满足那么吞吐量限制即被满足；

34、使用李雅普诺夫函数l(q(t))和李雅普诺夫漂移函数δl来定义队列稳定性问题，分别定义为：

35、

36、δl＝l(q(t+1))-l(q(t))

37、其中，q(t)表示所有虚拟队列向量，q(t)＝[q1(t),q2(t),...,qi(t)]t。

38、进一步地，步骤s3中，将原长期吞吐量限制问题解耦为单时隙优化问题p2的过程如下：

39、根据李雅普诺夫优化，将步骤s2优化目标转化为最小化漂移加惩罚函数，t时隙的惩罚p(t)定义为t+1时刻最大mse，表示为：

40、p(t)＝m(t+1)

41、其中，

42、msei(t+1)≤m(t+1)，

43、msei(t+1)表示为：

44、

45、其中，

46、

47、

48、t时刻采样限制被改写为：

49、

50、

51、最小化漂移加惩罚函数被表示为：

52、δl+vm(t+1)

53、其中，v＞0表示mse权重，用来表示mse的重要程度；

54、最小化漂移加惩罚函数上界推导为：

55、

56、qi(t)qi和qi对于第t时隙来说是定值，最小化漂移加惩罚函数上界等价于最小化：

57、

58、基于李雅普诺夫优化，问题p1最终解耦为求解单时隙优化问题p2，表示为：

59、p2

60、min

61、s.t.

62、ai,n(t)∈{0,1},

63、

64、

65、

66、p2是一个混合整数线性规划问题，拥有指数级复杂度。

67、进一步地，步骤4中的轻量级有噪mse可知的调度算法如下：

68、令ai(t)用来指示设备调度策略πdevice，ai(t)＝1表示bs在t时刻调度设备i，ai(t)＝0表示bs在t时刻不调度设备i，对于设备调度策略ai(t),信道干扰限制变为：

69、

70、定义设备i,从调度状态变为非调度态的性能增益为：

71、

72、其中，用来指示设备i已经处于为被调度的状态。

73、进一步地，步骤4中的轻量级有噪mse可知的调度算法流程如下：

74、(1)初始化调度策略为所有设备都调度，即ai(t)＝1,

75、(2)固定设备调度策略ai(t)不变，计算当前调度策略下的m(t+1)；

76、(3)固定m(t+1)不变，计算当前调度策略下各设备从调度状态变为非调度状态的性能增益g(t)＝[g1(t),g2(t),...,gi(t)]t；

77、(4)将性能增益最大的设备的设备调度策略变为0；

78、(5)重复过程(2)-(4)直到满足信道干扰限制，获得设备调度策略

79、(6)接下来获取样本调度策略πsample，对于设备i，如果则对于n＝ηi(t)+1，ai,n(t)＝1，对于n≠ηi(t)+1，ai,n(t)＝0；如果则ai,n(t)＝0,

80、进一步地，步骤s4的轻量级有噪mse可知的调度算法具有多项式级别的复杂度，复杂度为o((i-k)i2)，i是设备总数，k是信道数。

81、与现有技术相比，本发明具有以下有益效果：

82、(1)针对目前大多数研究只考虑单一问题或者只考虑了单用户场景，未考虑用户间的物理过程异构性和任务异构性对于决策的影响，本发明联合考虑了实际场景中复杂噪声导致观测失准的问题和各设备不同吞吐量需求，提出一种基于奥恩斯坦-乌伦贝过程的有噪状态监测系统。

83、(2)为了弥补噪声导致的预测失准，本发明基于具有一定时序价值的观测序列进行预测。并且本发明将调度决策作用于每个样本，以便可以更好地表征观测序列中样本相关性的变化对于系统预测准确性的影响。

84、(3)本发明将优化问题建立为min-max问题，可以避免最小平均mse问题中个别设备信息年龄无限增长的问题，使得基站可以接收到每个设备的状态，并基于接收到的样本对每个设备的监测过程进行重构。

85、(4)针对milp单时隙优化问题，利用商业求解器进行直接求解的复杂度是指数级的，当设备数较多时复杂度较高。为了降低算法求解的复杂度，使其能扩展到大规模网络，本发明设计了一种轻量级启发式算法来求解单时隙优化问题。该算法挖掘弱通信环境下物理过程结构特性、时变信道状态及信源噪声异构性，并联合虚拟队列长度进行优化，可以在频谱资源稀缺和噪声异构性较强的场景下，在满足各设备吞吐量需求的同时，提高系统的预测性能。