一种通感一体化网络多任务学习资源分配方法及系统

本发明涉及工业互联网，尤其涉及一种通感一体化网络多任务学习资源分配方法及系统。

背景技术：

1、随着工业互联网时代的来临，通感一体化(isac)网络由于其广泛的应用场景，促进工业互联网领域向更深层次发展如数字孪生，已经成为研究者关注的热点技术之一。随着基于工业互联网的isac网络中设备数量不断增多且数据海量接入，为了应对面向工业场景的isac网络中大量感知、通信和计算资源分配需求，如何提出实现资源分配的联合优化是目前亟待解决的关键问题。

2、isac网络是将雷达感知与通信两个功能集成于一体的网络，在工业场景中应用能够实现对工厂设备的实时监测感知，通过采用不同类型的传感器设备感知厂内环境温度、设备状态等信息，当出现设备故障问题时可以通过通信天线实时传输故障信息与故障情况等细节。随着网络规模的扩大，所获取的感知、通信与计算信息数据量也逐渐庞大，因此为保证网络传输质量，需要进行合理地分配资源。国际上已有学者通过结合均方误差(mse)和功耗对波束赋形和计算卸载进行优化，并将其运用至移动边缘计算中；有学者考虑6g网络中的通感算系统，结合多个强化学习算法，解决了通感算系统中波束、信道、功率的资源分配问题。国内有学者提出了一种多代理的强化学习动态资源分配算法，优化用户关联、功率和子信道选择策略问题，且不需要用户间的信息交互。然而目前针对感知、通信和计算资源联合优化的研究尚有不足，因此如何提出一个实用的联合多目标优化方法，是isac网络在工业场景中得到良好发展所不可避免的问题。

3、边缘计算将计算资源从云中心转移到网络边缘侧的服务器，为联网的终端设备提供计算支持。以深度神经网络为代表的人工智能迅猛发展，在工业互联网领域得到了广泛应用，边缘计算和人工智能相互赋能所产生的边缘智能领域可以有效地处理数据。有学者提出利用边缘智能来解决云边协同系统中的业务卸载和资源分配问题，其中业务可以被卸载到边缘节点或云端上进行分布式处理以满足用户最低时延要求；还有学者提出将边缘智能与联邦学习结合，提出云边智能协同计算中的隐私保护方案以保护用户数据。然而，目前在边缘智能方面，对边缘智能辅助isac网络的研究缺乏深度耦合。因此，如何结合边缘智能去实现工业场景中isac网络资源的智能分配，是目前可以研究的一个热点问题。

技术实现思路

1、本发明提供了一种通感一体化网络多任务学习资源分配方法及系统，解决在边缘智能方面，对边缘智能辅助isac网络的研究缺乏深度耦合的问题。

2、为解决上述发明目的，本发明提供的技术方案如下：一种通感一体化网络多任务学习资源分配方法，其特征在于，步骤包括：

3、s1、构建支持联邦学习的isac网络体系；

4、s2、基于通感一体化网络多任务学习资源分配isac网络体系，将通感一体化网络多任务学习资源分配isac网络体系中的波束赋形与计算卸载公式转化为多目标优化问题；

5、s3、将通感一体化网络多任务学习资源分配多目标优化问题转化为多任务学习模型，其中每个终端和基站的深度神经网络都具有共享参数和特定任务参数，根据通感一体化网络多任务学习资源分配共享参数和通感一体化网络多任务学习资源分配特定任务参数进行波束赋形和计算卸载；

6、s4、采用多梯度下降法上界mgda-ub对通感一体化网络多任务学习资源分配多任务学习模型进行优化，寻求多任务学习的帕累托最优解，完成isac网络中的多任务学习资源分配。

7、优选地，步骤s1中，支持联邦学习的isac网络体系，包括：

8、由服务端收集各端的梯度信息，通过聚合计算后再分发给各用户端，进行多个用户端联合的训练模型。

9、优选地，步骤s2中，基于通感一体化网络多任务学习资源分配isac网络体系，将通感一体化网络多任务学习资源分配isac网络体系中的波束赋形与计算卸载公式转化为多目标优化问题，包括：

10、基于通感一体化网络多任务学习资源分配isac网络体系，将通感一体化网络多任务学习资源分配波束赋形优化问题被公式转化为克拉美罗界crb和速率的优化问题；基于通感一体化网络多任务学习资源分配isac网络体系，将通感一体化网络多任务学习资源分配计算卸载问题优化被公式转化为最大限度减少卸载的能耗问题；将通感一体化网络多任务学习资源分配克拉美罗界crb和速率的优化问题和通感一体化网络多任务学习资源分配能耗问题结合为多目标优化问题。

11、优选地，多目标优化问题，包括：

12、f(wc,wr,fl,fe)表示为计算卸载问题，g(wc,wr)表示发射波束赋形问题，则根据下述公式(1)表示isac网络中多目标优化问题：

13、

14、其中，γ1+γ2＝1表示为发射波束成形问题和计算卸载问题的偏好。

15、优选地，步骤s3中，将通感一体化网络多任务学习资源分配多目标优化问题转化为多任务学习模型，其中每个终端和基站的深度神经网络都具有共享参数和特定任务参数，根据通感一体化网络多任务学习资源分配共享参数和通感一体化网络多任务学习资源分配特定任务参数进行波束赋形和计算卸载，包括：

16、将多目标优化问题参数化，给出参数化后波束赋形与计算卸载的多目标优化；

17、引入共享参数ωsh和特定任务参数ωt为多任务学习服务，并给出了多任务学习技术以及与多目标优化的联系。

18、优选地，步骤s4中，采用多梯度下降法上界mgda-ub对通感一体化网络多任务学习资源分配多任务学习模型进行优化，寻求多任务学习的帕累托最优解，完成isac网络中的多任务学习资源分配，包括：

19、将多任务学习中的发射波束赋形和计算卸载转换为拉格朗日对偶问题；

20、深度神经网络和对偶变量的参数则通过链式规则向后更新；

21、根据多梯度下降法上界mgda-ub算法在没有明确特定参数梯度的情况下通过单次反向传播来计算。

22、优选地，多任务学习，包括：

23、通过多任务学习寻求帕累托最优解，根据下述公式(2)获得经验风险最小化问题：

24、

25、优选地，帕累托最优解，包括：

26、若存在则认为对于每个任务t，解支配ω；

27、若不存在可以支配ω*的解ω，则认为ω*是多任务学习的帕累托最优解。

28、一种通感一体化网络多任务学习资源分配系统，系统用于上述的通感一体化网络多任务学习资源分配方法，系统包括：

29、网络体系构建模块，用于构建支持联邦学习的isac网络体系；

30、多目标问题转化模块，用于基于所述isac网络体系，将所述isac网络体系中的波束赋形与计算卸载公式转化为多目标优化问题；

31、多任务学习模型转化模块，用于将所述多目标优化问题转化为多任务学习模型，其中每个终端和基站的深度神经网络都具有共享参数和特定任务参数，根据所述共享参数和所述特定任务参数进行波束赋形和计算卸载；

32、资源分配模块，用于采用多梯度下降法上界mgda-ub对所述多任务学习模型进行优化，寻求多任务学习的帕累托最优解，完成isac网络中的多任务学习资源分配。

33、优选地，网络体系构建模块，进一步用于由服务端收集各端的梯度信息，通过聚合计算后再分发给各用户端，进行多个用户端联合的训练模型。

34、一方面，提供了一种电子设备，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述至少一条指令由所述处理器加载并执行以实现上述通感一体化网络多任务学习资源分配方法。

35、一方面，提供了一种计算机可读存储介质，所述存储介质中存储有至少一条指令，所述至少一条指令由处理器加载并执行以实现上述通感一体化网络多任务学习资源分配方法。

36、上述技术方案，与现有技术相比至少具有如下有益效果：

37、上述方案，本发明设计了一种通感一体化网络多任务学习资源分配方法及系统，研究了支持联邦学习的isac网络架构，解决了数据隐私保护问题并缓解了通信压力，本发明针对isac网络中包含波束赋形和计算卸载内的多目标优化问题，转化为多任务学习模型，基于mgda算法提出了多梯度下降法上界mgda-ub来降低计算成本，实现感知、通信和计算资源分配的联合优化。