用于通感一体化网络的功率分配方法、装置和设备与流程

本公开涉及通信，更具体地，涉及一种用于通感一体化网络的功率分配方法、装置和设备。

背景技术：

1、随着通信技术的快速发展，通感一体化技术已成为实现通信与感知功能协同的核心技术，在无人机应急通信、车联网等典型场景中具有重要应用价值。尤其在灾后应急场景下，传统地面通信设施易损毁，无人机基站凭借其快速部署与三维机动优势，成为恢复通信与感知能力的关键载体。

技术实现思路

1、在下文中给出了关于本公开的简要概述，以便提供关于本公开的一些方面的基本理解。但是，应当理解，这个概述并不是关于本公开的穷举性概述。它并不是意图用来确定本公开的关键性部分或重要部分，也不是意图用来限定本公开的范围。其目的仅仅是以简化的形式给出关于本公开的某些概念，以此作为稍后给出的更详细描述的前序。

2、网络需承载语音通信、视频回传、生命探测及环境监测等多类业务，其中不同业务对传输速率与精度有着差异化的服务质量qos要求。然而，无人机基站的发射功率有限。因此，如何在无人机基站的总功率受限的前提下，动态且智能地将有限的功率分配给众多通信与感知链路，以满足多维业务的差异化需求，已成为提升整个通感一体化网络效能与任务可靠性的核心挑战。

3、相关技术中，采用固定功率分配比例等启发式方法来进行功率分配，缺乏跨业务的动态协同能力，灵活性不佳，容易导致一些功率需求较高的任务（例如生命探测等紧急程度较高的任务）因所分配功率不足而使得任务的执行程度不佳。此外，相关技术中通常将通信链路与感知链路的功率分配问题割裂开来分别进行优化，未能有效捕捉和利用通感链路之间固有的干扰与协同关系，导致在有限的功率资源下无法实现系统级的全局优化与高效利用，无法满足复杂的通感一体化网络。

4、为了解决上述问题，本公开提出了如下解决方案。

5、根据本公开的第一方面，提供了一种用于通感一体化网络的功率分配方法，包括：获取无人机基站的第一特征、通信用户的第二特征和感知目标的第三特征，其中，所述第一特征包括无人机基站的总功率约束；利用图神经网络模型，基于所述第一特征、所述第二特征和所述第三特征得到异质图中的节点的目标嵌入特征，并基于异质图中的节点的目标嵌入特征得到与无人机基站关联的通信用户的第一预测功率分配权重和与无人机基站关联的感知目标的第二预测功率分配权重，其中，异质图与通感一体化网络对应，无人机基站、通信用户、感知目标构成异质图中的节点，异质图中的边包括无人机基站节点与关联的通信用户节点之间的边、无人机基站节点与关联的感知目标节点之间的边；根据所述总功率约束和所述第一预测功率分配权重确定与无人机基站关联的通信用户的第一目标功率值，并根据所述总功率约束和所述第二预测功率分配权重确定与无人机基站关联的感知目标的第二目标功率值。

6、在一些实施例中，所述第一特征还包括无人机基站的位置、当前已使用功率、回程链路总容量、已占用的回程链路容量中的至少一者；所述第二特征包括通信用户的位置、通信速率服务质量需求阈值、任务优先级权重系数中的至少一者；所述第三特征包括感知目标的位置、感知速率服务质量需求阈值、任务优先级权重系数中的至少一者。

7、在一些实施例中，所述图神经网络模型包括多层计算层，利用图神经网络模型，基于所述第一特征、所述第二特征和所述第三特征得到异质图中的节点的目标嵌入特征，并基于异质图中的节点的目标嵌入特征得到与无人机基站关联的通信用户的第一预测功率分配权重和与无人机基站关联的感知目标的第二预测功率分配权重包括：在所述多层计算层中的每一层计算层中，对于所述异质图中的每个节点，利用该节点的邻居节点在上一层计算层中得到的嵌入特征，得到该节点的聚合结果；利用该节点在上一层计算层中得到的嵌入特征和该节点的聚合结果，得到该节点在该层计算层中的嵌入特征，其中，该节点在所述多层计算层的最后一层计算层中的嵌入特征作为该节点的目标嵌入特征，其中，在所述多层计算层中的第一层计算层中，节点的初始嵌入特征作为节点在上一层计算层中得到的嵌入特征，无人机基站节点的初始嵌入特征基于所述第一特征得到，通信用户节点的初始嵌入特征基于所述第二特征得到，感知目标节点的初始嵌入特征基于所述第三特征得到。

8、在一些实施例中，所述图神经网络模型为图注意力神经网络模型，利用该节点的邻居节点在上一层计算层中得到的嵌入特征，得到该节点的聚合结果包括：对于该节点的各个邻居节点，基于任务优先级权重向量、注意力权重向量、该节点在上一层计算层中得到的嵌入特征、该邻居节点在上一层计算层中得到的嵌入特征，得到该节点与该邻居节点之间的注意力权重系数，其中，任务优先级权重向量基于该节点的任务优先级权重系数和该邻居节点的任务优先级权重系数得到；基于该节点的各个邻居节点在上一层计算层中得到的嵌入特征、该节点与各个邻居节点之间的注意力权重系数，得到该节点的聚合结果。

9、在一些实施例中，利用图神经网络模型，基于所述第一特征、所述第二特征和所述第三特征得到异质图中的节点的目标嵌入特征，并基于异质图中的节点的目标嵌入特征得到与无人机基站关联的通信用户的第一预测功率分配权重和与无人机基站关联的感知目标的第二预测功率分配权重包括：基于无人机基站对应的节点的目标嵌入特征、关联的通信用户对应的节点的目标嵌入特征、通信用户的任务优先级权重系数，得到第一预测功率分配权重；和/或基于无人机基站对应的节点的目标嵌入特征、关联的感知目标对应的节点的目标嵌入特征、感知目标的任务优先级权重系数，得到第二预测功率分配权重。

10、在一些实施例中，根据所述总功率约束和所述第一预测功率分配权重确定与无人机基站关联的通信用户的第一目标功率值，并根据所述总功率约束和所述第二预测功率分配权重确定与无人机基站关联的感知目标的第二目标功率值包括：针对各个无人机基站，根据与该无人机基站关联的各个通信用户的第一预测功率分配权重和与该无人机基站关联的各个感知目标的第二预测功率分配权重，对各个通信用户的第一预测功率分配权重进行归一化以得到相应的第一目标功率分配权重，并对各个感知目标的第二预测功率分配权重进行归一化以得到相应的第二目标功率分配权重；针对与该无人机基站关联的各个通信用户，根据该无人机基站的总功率约束和该通信用户的第一目标功率分配权重，确定该通信用户的第一目标功率值；针对与该无人机基站关联的各个感知目标，根据该无人机基站的总功率约束和该感知目标的第二目标功率分配权重，确定该感知目标的第二目标功率值。

11、在一些实施例中，所述功率分配方法还包括：在根据所述总功率约束和所述第一预测功率分配权重确定与无人机基站关联的通信用户的第一目标功率值，并根据所述总功率约束和所述第二预测功率分配权重确定与无人机基站关联的感知目标的第二目标功率值之前，基于通信用户的任务优先级权重系数对第一预测功率分配权重进行更新，并将更新后的第一预测功率分配权重作为该通信用户的第一预测功率分配权重，以及基于感知目标的任务优先级权重系数对第二预测功率分配权重进行更新，并将更新后的第二预测功率分配权重作为该感知目标的第二预测功率分配权重。

12、在一些实施例中，所述功率分配方法还包括：针对各个无人机基站，控制该无人机基站为与该无人机基站关联的通信用户的通信链路分配相应的第一目标功率值，以及控制该无人机基站为与该无人机基站关联的感知目标的感知链路分配相应的第二目标功率值。

13、在一些实施例中，所述功率分配方法还包括：针对各个无人机基站，获取与该无人机基站关联的各个通信用户的第一初始功率值、和与该无人机基站关联的各个感知目标的第二初始功率值；针对各个通信用户，控制该无人机基站为该通信用户的通信链路分配相应的第一初始功率值，针对各个感知目标，控制该无人机基站为该感知目标的感知链路分配相应的第二初始功率值；响应于各个通信用户的第一目标功率值和各个感知目标的第二目标功率值确定完成，控制该无人机基站将各个通信用户的通信链路的功率值由相应的第一初始功率值调整为相应的第一目标功率值，并控制该无人机基站将各个感知目标的感知链路的功率值由相应的第二初始功率值调整为相应的第二目标功率值。

14、在一些实施例中，获取与该无人机基站关联的各个通信用户的第一初始功率值、和与该无人机基站关联的各个感知目标的第二初始功率值包括：获取各个通信用户的通信链路信道增益和各个感知目标的感知链路信道增益；针对各个通信用户，根据第一总分配系数和该通信用户的第一子分配系数得到该通信用户的第一初始分配系数，并根据该无人机基站的总功率约束和该通信用户的第一初始分配系数得到该通信用户的第一初始功率值，其中，第一子分配系数基于该通信用户的通信链路信道增益和任务优先级权重系数得到，第一总分配系数基于各个通信用户的第一子分配系数求和得到；针对各个感知目标，根据第二总分配系数和该感知目标的第二子分配系数得到该感知目标的第二初始分配系数，并根据该无人机基站的总功率约束和该感知目标的第二初始分配系数得到该感知目标的第二初始功率值，其中，第二子分配系数基于该感知目标的感知链路信道增益和任务优先级权重系数得到，第二总分配系数基于各个感知目标的第二子分配系数求和得到。

15、在一些实施例中，所述功率分配方法还包括：获取训练样本，训练样本的特征部分包括样本通感一体化网络中样本无人机基站的样本第一特征、样本通信用户的样本第二特征、样本感知目标的样本第三特征，样本第一特征包括样本无人机基站的总功率约束，训练样本的标签部分包括与样本人机基站关联的样本通信用户的第一样本功率分配权重、与样本人机基站关联的样本感知目标的第二样本功率分配权重；基于训练样本训练图神经网络模型。

16、在一些实施例中，基于训练样本训练图神经网络模型包括：基于训练样本，以减小目标损失函数的值为目标来训练图神经网络模型，其中，所述目标损失函数基于样本通信用户的第一样本功率分配权重与利用图神经网络模型得到的针对该样本通信用户的第一预测功率分配权重之间的均方误差、以及样本感知目标的第二样本功率分配权重与利用图神经网络模型得到的针对该样本感知目标的第二预测功率分配权重之间的均方误差设置。

17、在一些实施例中，图神经网络模型基于马尔可夫决策过程训练，其中，马尔可夫决策过程中的奖励函数基于在状态执行所得到的通信性能奖励、感知性能奖励、优先级奖励、回程负载惩罚、总功率惩罚而设置，t时刻的状态包括t时刻通感一体化网络中各个节点的特征，t时刻的动作被设置为基于图神经网络模型得到的与无人机基站关联的节点的预测功率分配权重或目标功率分配权重。

18、根据本公开的第二方面，提供了一种用于通感一体化网络的功率分配装置，包括：获取模块，被配置为获取无人机基站的第一特征、通信用户的第二特征和感知目标的第三特征，其中，所述第一特征包括无人机基站的总功率约束；权重确定模块，被配置为利用图神经网络模型，基于所述第一特征、所述第二特征和所述第三特征得到异质图中的节点的目标嵌入特征，并基于异质图中的节点的目标嵌入特征得到与无人机基站关联的通信用户的第一预测功率分配权重和与无人机基站关联的感知目标的第二预测功率分配权重，其中，异质图与通感一体化网络对应，无人机基站、通信用户、感知目标构成异质图中的节点，异质图中的边包括无人机基站节点与关联的通信用户节点之间的边、无人机基站节点与关联的感知目标节点之间的边；功率确定模块，被配置为根据所述总功率约束和所述第一预测功率分配权重确定与无人机基站关联的通信用户的第一目标功率值，并根据所述总功率约束和所述第二预测功率分配权重确定与无人机基站关联的感知目标的第二目标功率值。

19、根据本公开的第三方面，提供了一种用于通感一体化网络的功率分配设备，包括处理器和存储器，所述存储器上存储有指令，当所述指令被所述处理器执行时，实现如上所述的功率分配方法的步骤。

20、根据本公开的第四方面，提供了一种高空平台站，包括：如上所述的功率分配装置；或者如上所述的功率分配设备。

21、根据本公开的第五方面，提供了一种非暂态计算机可读存储介质，其中，所述非暂态计算机可读存储介质上存储有指令，当所述指令被处理器执行时，实现如上所述的功率分配方法的步骤。

22、根据本公开的第六方面，提供了一种计算机程序产品，包括指令，当所述指令被处理器执行时，实现如上所述的功率分配方法的步骤。

23、根据本公开的实施例，将无人机基站、通信用户、感知目标作为与通感一体化网络对应的异质图中的节点，利用图神经网络模型，更新各节点的嵌入特征，以便从全局视角挖掘各个通信链路、各个感知链路之间复杂的功率竞争与协同关系，从而挖掘出通感一体化网络中隐性的功率分配特征，进而可以得到用于通感一体化网络的更优的功率分配策略，实现了跨业务、跨链路的多维度功率联合调度与全局最优功率分配，使相关任务能够有效执行并提高相关任务处理效率，增强了通感一体化网络在应急场景下的任务完成能力与可靠性。

24、通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其他特征及其优点将会变得更为清楚。