物联网场景下的资源分配方法、装置、设备及存储介质

本技术实施例涉及物联网，特别涉及一种物联网场景下的资源分配方法、装置、设备及存储介质。

背景技术：

1、移动通信技术的蓬勃发展使得物联网网络越发复杂，越来越多的物理设备能够接入网络，进行数据的收集与共享，在此过程中会产生大规模数据。然而，庞大的物联网网络会产生大量计算任务，这些计算任务往往计算复杂度高、任务数据量大、时延敏感性强，它们不仅加剧了核心网的负担，本地处理这些任务所消耗的电量和终端设备的自身损耗也不容忽视；移动边缘计算技术(mec,mobile edge computing)可以将计算和存储部署到更接近用户的位置，把具有强大数据处理能力的云计算平台从移动核心网络内部迁移到靠近物联网设备的移动接入网边缘。对物联网设备而言，不必本地处理需要大量计算资源的任务，而可以选择将其从无线设备传输到距离自己更近的接入点或基站，弹性利用计算及存储资源。

2、相关技术中，在进行资源分配与任务卸载决策时，可以通过遗传算法、模拟退火、粒子群算法等传统优化算法进行任务分配与资源分配规划，或者，通过深度学习相关技术进行模型训练，以通过训练好的模型进行任务分配与资源分配规划；然而，上述传统优化算法无法处理激增的物联网设备所产生的海量数据；而现有的深度学习相关技术则需要海量的训练样本数据来进行模型训练，若实际应用中训练样本数据不足，因此常常需要聚合多个设备的数据，然而数据聚合过程会涉及到隐私问题，容易造成隐私泄露。

技术实现思路

1、本技术实施例提供了一种物联网场景下的资源分配方法、装置、设备及存储介质，可以在高效处理大规模数据的同时，也能解决隐私泄露问题，同时，将任务处理过程中所需的物联网设备的资源损耗作为优化目标，使得获得的目标决策集合和资源分配策略能够更加合理地利用传输资源以及计算资源，提高了资源利用的合理性。该技术方案如下：

2、一方面，提供了一种物联网场景下的资源分配方法，所述方法包括：

3、获取信道增益集合，所述信道增益集合中包含各个子信道的信道增益；

4、通过将所述信道增益集合输入到训练好的卸载决策网络中，获得所述卸载决策网络输出的卸载决策元素集合；所述卸载决策元素集合中包含对应于各个子信道的卸载决策元素；所述卸载决策网络是通过联邦学习机制训练获得的；

5、通过对所述卸载决策元素集合进行至少两次二值化处理，获得至少两个候选决策集合；所述候选决策集合中的数值指示对应于各个子信道的卸载决策，所述卸载决策指示将子信道上的任务卸载到边缘服务器上进行处理，或者，指示对子信道上的任务进行本地处理；

6、将至少两个所述候选决策集合分别代入到全局最优化函数中，基于获得的所述全局最优化函数的至少两个函数值确定目标决策集合以及所述目标决策集合对应的资源分配策略集合；所述目标决策集合是至少两个所述候选决策集合中使所述全局最优化函数的函数值最小的候选决策集合，所述资源分配策略集合中包括处理各个子信道的任务所需的上行传输功率以及处理各个子信道的任务所需的所述边缘服务器的计算资源；所述全局最优化函数用于确定在所述信道增益集合的前提下基于对应的候选决策集合进行处理所需的物联网设备的资源损耗。

7、另一方面，提供了一种物联网场景下的资源分配装置，所述装置包括：

8、集合获取模块，用于获取信道增益集合，所述信道增益集合中包含各个子信道的信道增益；

9、集合处理模块，用于通过将所述信道增益集合输入到训练好的卸载决策网络中，获得所述卸载决策网络输出的卸载决策元素集合；所述卸载决策元素集合中包含对应于各个子信道的卸载决策元素；所述卸载决策网络是通过联邦学习机制训练获得的；

10、二值化处理模块，用于通过对所述卸载决策元素集合进行至少两次二值化处理，获得至少两个候选决策集合；所述候选决策集合中的数值指示对应于各个子信道的卸载决策，所述卸载决策指示将子信道上的任务卸载到边缘服务器上进行处理，或者，指示对子信道上的任务进行本地处理；

11、确定模块，用于将至少两个所述候选决策集合分别代入到全局最优化函数中，基于获得的所述全局最优化函数的至少两个函数值确定目标决策集合以及所述目标决策集合对应的资源分配策略集合；所述目标决策集合是至少两个所述候选决策集合中使所述全局最优化函数的函数值最小的候选决策集合，所述资源分配策略集合中包括处理各个子信道的任务所需的上行传输功率以及处理各个子信道的任务所需的所述边缘服务器的计算资源；所述全局最优化函数用于确定在所述信道增益集合的前提下基于对应的候选决策集合进行处理所需的物联网设备的资源损耗。

12、在一种可能的实现方式中，所述二值化处理模块，用于基于预设的至少两个元素阈值分别对所述卸载元素集合中的卸载决策元素进行二值化处理，获得至少两个所述候选决策集合；一个所述元素阈值对应一个所述候选决策集合。

13、在一种可能的实现方式中，所述装置还包括：

14、集合存放模块，用于将所述目标决策集合以及所述目标决策集合对应的所述信道增益集合存放到训练样本集中。

15、在一种可能的实现方式中，所述装置还包括：

16、样本获取模块，用于在网络更新阶段，从所述训练样本集中获取训练样本子集；所述训练样本子集中包含至少一个训练样本对，所述训练样本对包括历史决策集合以及历史决策集合对应的所述信道增益集合；

17、参数更新模块，用于基于所述训练样本子集对所述卸载决策网络进行参数更新，获得第一网络参数；

18、参数上传模块，用于将所述第一网络参数上传到所述边缘服务器；

19、参数接收模块，用于接收所述边缘服务器下发的第二网络参数；所述第二网络参数是所述边缘服务器对至少两个来源的第一网络参数进行聚合后生成的；

20、网络更新模块，用于基于所述第二网络参数更新所述卸载决策网络。

21、在一种可能的实现方式中，所述全局最优化函数是基于最大时延约束、边缘服务器的计算资源约束以及上行传输功率约束构建的函数，所述全局最优化函数为：

22、

23、

24、

25、

26、

27、其中，ωi表示子信道的权重，表示将子信道的任务卸载到所述边缘服务器上进行处理所需的物联网设备的资源损耗，表示对子信道上的任务进行本地处理所需的物联网设备的资源损耗，表示迁移成本；

28、h＝{hi|i∈m}，表示所述信道增益集合，a＝{ai|i∈m}，表示所述候选决策集合，p＝{pi|i∈m}，表示任务传输所需的上行传输功率集合，表示任务所需的所述边缘服务器的计算资源集合，m表示子信道的数量；表示所述最大时延约束，fmax表示所述边缘服务器的计算资源约束，pmax表示所述上行传输功率约束，表示将子信道的任务卸载到所述边缘服务器上进行处理所需的时间，表示对子信道上的任务进行本地处理所需的时间。

29、在一种可能的实现方式中，所述装置还包括：

30、信息获取模块，用于从第一子信道对应的资源分配策略中获取第一上行传输功率以及第一计算资源信息，所述第一计算资源信息用于指示所述边缘服务器处理所述第一子信道上的信息所需的第一计算资源；所述第一子信道是所述目标决策集合中指示将对应的任务卸载到边缘服务器上进行处理的子信道中的任意一个；

31、任务传输模块，用于在基于第一上行传输功率将所述第一子信道上的任务卸载到边缘服务器上时，将所述第一子信道对应的第一计算资源信息发送给所述边缘服务器，以使得所述边缘服务器基于所述第一计算资源对所述第一子信道上的任务进行处理。

32、另一方面，提供了一种计算机设备，所述计算机设备包含处理器和存储器，所述存储器存储有至少一条计算机程序，所述至少一条计算机程序由所述处理器加载并执行以实现上述的物联网场景下的资源分配方法。

33、另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一条计算机程序，所述计算机程序由处理器加载并执行以实现上述的物联网场景下的资源分配方法。

34、另一方面，提供了一种计算机程序产品，所述计算机程序产品包括至少一条计算机程序，所述计算机程序由处理器加载并执行以实现上述各种可选实现方式中提供的物联网场景下的资源分配方法。

35、本技术提供的技术方案可以包括以下有益效果：

36、本技术实施例提供的物联网场景下的资源分配方法，利用联邦学习机制训练获得的卸载决策网络对信道增益集合进行处理后，获得包含对应于各个子信道的卸载决策元素的卸载元素集合，之后通过对卸载决策元素集合进行不同的二值化处理，以确定至少两个候选决策集合，再将至少两个候选决策集合带入到用于确定在所述信道增益集合的前提下基于对应的候选决策集合进行处理所需的物联网设备的资源损耗的全局最优化函数中，以基于各个候选决策集合对应的全局优化函数的函数值从至少两个候选决策集合中选出最优的目标决策集合，以及获得该目标决策集合对应的资源分配策略集合，以根据该目标决策集合和资源分配策略集合进行当前信道增益集合条件下的任务分配和资源分配；通过上述方法，可以在高效处理大规模数据的同时，也能解决隐私泄露问题，同时，将任务处理过程中所需的物联网设备的资源损耗作为优化目标，使得获得的目标决策集合和资源分配策略能够更加合理地利用传输资源以及计算资源，提高了资源利用的合理性。

37、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。