基于图神经网络的异构无线D2D网络链路调度方法

基于图神经网络的异构无线d2d网络链路调度方法
技术领域
1.本发明涉及无线通信网络技术领域，具体涉及一种基于图神经网络的异构无线d2d网络链路调度方法。


背景技术：

2.d2d(device to device)技术是5g无线通信发展中的关键技术之一。d2d技术使得一定距离范围内的用户通信设备可以直接通信，旨在降低服务基站的负荷。d2d通信方式分为三种类型。第一种是专用模式，d2d对直接交换数据，而不涉及基站。此传输模式分配的频谱资源只对某一对专用，不与其他用户共享。第二种类型是共享模式，其中蜂窝用户与d2d用户、d2d用户与d2d用户之间可以共享相同的频谱资源。第三种类型是蜂窝模式，就像传统的蜂窝通信一样，所有用户通过核心网络传输和接收数据，而不应用用户之间的直接通信。距离较近的设备使用d2d技术通信，可以减少设备之间的延迟和功耗、成本。d2d技术也可以在短时间内建立紧急通信网络，替换受损的基础设施，是构建应急网络的一种有效解决方案。d2d技术还可应用于蜂窝网络以提高频谱利用率和网络容量。d2d技术虽然具有很多优点，另一方面，也面临着许多挑战。在共享模式下，由于在同一区域共享相同的资源，应用d2d技术的用户之间可能产生严重干扰，导致网络整体传输速率降低。需要进行适当的无线链路调度以平衡d2d设备之间的干扰，最大化网络数据传输速率。无线链路调度主要是指在不影响整体通信的情况下，关闭通信网络内部分设备，进而达到降低干扰提升网络传输效率的目的。近年来，机器学习的相关技术已经用于链路调度问题。例如，采用卷积神经网络(cnn)以无监督的方式学习发射机与接收机之间的距离到调度策略的映射，获得接近最优性能等。
3.这些机器学习的方法多是基于同构的无线通信网络，由于异构无线d2d网络中d2d设备类型不同，设备之间通信可能使用不同数量的天线，传统的机器学习技术无法提取异构网络特征，很难在异构网络中推广。因此，需要提供一种针对上述现有技术中不足的改进技术方案。


技术实现要素：

4.本发明的目的在于提供基于图神经网络的异构无线d2d网络链路调度方法，用于d2d网络的无线资源调度，实现异构d2d网络的传输速率性能最大化。
5.实现上述目的的技术方案是：
6.基于图神经网络的异构无线d2d网络链路调度方法，包括：
7.构建异构无线d2d网络；
8.确定训练集和测试集；
9.将训练集和测试集内的异构无线d2d网络建模为异构图；
10.构建异构图卷积神经网络模型，并初始化神经网络权重；
11.使用训练集对异构图卷积神经网络模型进行训练，并用测试集进行验证，获得训
练好的异构图卷积神经网络；
12.输入数据至训练好的异构图卷积神经网络，输出链路调度策略。
13.优选的，所述的构建异构无线d2d网络，包括：
14.在边长为d
area
的正方形区域内，生成d个异构d2d对；m＝{1,2,3,
…
,m}表示d2d对类型，d＝{d1,d2,d3,
…
,dm}表示d2d对的总数量；其中dm表示m类型d2d对的总数；表示m类型的第i个d2d对,每个d2d对都有一个发射机和一个接收机计算通信链路的信道响应为和干扰链路的信道响应为
15.优选的，所述的确定训练集和测试集，包括：
16.分别生成异构无线d2d网络x个和y个，并运行fp算法为每个异构无线d2d网络生成最优和速率标签，将生成的异构无线d2d网络及最优和速率标签作为训练集和测试集，训练集的样本数量x，测试集的样本数量y。
17.优选的，将训练集和测试集内的异构无线d2d网络建模为异构图，包括：将异构无线d2d网络的每个d2d对看作是一个顶点，干扰链路作为图的边，将异构无线d2d网络建模为异构图。
18.优选的，异构图卷积神经网络模型的目标函数为：
[0019][0020]
约束为：
[0021]
表示对于任意类型的每个d2d对，都有一个状态向量ρ∈{0,1}；
[0022]
其中，是d2d对的优先级，是状态向量；b是通信带宽；是发射机和接收机的信道响应，即通信链路的信道响应；是的发射机与d2d对的接收机之间的信道响应；是发射机的发射功率；是环境噪声；ρ是d2d对的状态向量，ρ＝1时表示d2d对是激活的，ρ＝0时表示d2d对时关闭的；表示n类型的第j个d2d对的状态向量，ρ
im
表示m类型的第i个d2d对的状态向量；p
im
是m类型的第i个d2d对的发射机t
im
的发射功率；p
jn
是n类型的第j个d2d对的发射机t
jn
的发射功率；表示干扰发射机t
im
到干扰接收机r
jn
之间的信道响应，即干扰链路的信道响应。
[0023]
优选的，异构图卷积神经网络模型的框架为2层异构图卷积层，每层图卷积层由边更新函数顶点更新函数和聚合函数组成，边更新函数和顶点更新函数被写为：
[0024][0025][0026]
其中，为初始化的边特征，l为图卷积网络的层数；是第l层网络中
图模型的边特征；是第l层网络中部分更新之后的节点特征；是l-1层网络中节点d
im
的邻居节点的特征；是l-1层网络中节点d
im
的节点特征，为边更新函数，用于传递邻居节点信息和边信息；为节点部分更新函数，用于更新每种类型节点传递来的信息；模型根据节点邻居节点的类型将图划分为不同网络块，不同的网络块对应不同的网络关系，并用干扰链路的类型区分这种关系。定义关系r＝(m,n)表示从n类型d2d对到m类型d2d对的干扰链路；对于每个关系，该模型定义了一个由多层感知器参数化的边更新函数和顶点更新函数学习到每种关系的节点更新之后，然后，通过聚合获得节点最终的更新；聚合函数：
[0027][0028]
为节点的部分更新，c
i,m
为节点干扰链路的数量；表示为第l层网络中节点的特征；将异构图输入异构图卷积神经网络，最后的输出层经过softmax函数作为激活后产生链路调度策略
[0029]
优选的，使用训练集对异构图卷积神经网络模型进行训练，并用测试集进行验证，获得训练好的异构图卷积神经网络，包括：
[0030]
将处理后的训练集输入至异构图卷积神经网络中，构建网络效用函数的负期望作为损失函数，并选择一个梯度下降算法优化神经网络的权重；
[0031]
设置迭代次数，每5次迭代保存一次训练模型，输入测试集验证，合格后获得训练好的异构图卷积神经网络。
[0032]
优选的，损失函数：
[0033][0034]
其中，为的热点代表；为的热点代表。eh[]表示计算括号内公式的期望；p
jn
是n类型的第j个d2d对的发射机t
jn
的发射功率；采用小批次梯度下降算法，每批次包含q个样本，设定迭代次数，选择adam优化器优化神经网络的参数θ。
[0035]
本发明的有益效果是：本发明将链路调度问题引入到更为实际的异构环境中，克服异构环境中由于d2d通信链路过多引起的干扰严重问题。利用异构图神经网络善于学习异构图信息，将其应用于异构无线d2d网络，以无监督学习的方式学习到最优链路调度策略；训练好后的神经网络可以进行在线决策，在异构环境中实时提供性能好复杂度低且可靠的链路调度方案，实现d2d网络传输速率最大化。
附图说明
[0036]
图1是本发明的异构无线d2d网络链路调度方法的流程图；
[0037]
图2是本发明中应用的异构图卷积神经网络图；
[0038]
图3是本发明中异构d2d网络图；
[0039]
图4是本发明中由异构d2d网络建模的异构图。
具体实施方式
[0040]
下面将结合附图对本发明作进一步说明。
[0041]
请参阅图1，本发明的异构无线d2d网络链路调度方法，基于图神经网络，如图2所示，图神经网络为异构图卷积神经网络，该异构图卷积神经网络负责学习异构图模型得到最优链路调度策略。包括下列步骤：
[0042]
步骤一，构建异构无线d2d网络。在边长为d
area
的正方形区域内，生成d个异构d2d对。用m＝{1,2,3,
…
,m}表示d2d对类型，d＝{d1,d2,d3,
…
,dm}表示d2d对的总数量,其中dm表示m类型d2d对的总数,表示m类型的第i个d2d对。如图3所示，边长d
area
＝400m的正方形区域，随机生成m＝12个d2d对，其中包含4个2
×
1miso(多输入单输出)链路类型d2d对和8个siso(单输入单输出)链路类型d2d对。每个d2d对的发射器均匀分布在该区域内，相应的接收器分布在以发射器为中心的圆盘内，均匀成对距离在2m和50m之间。使用大规模衰减和小规模衰减作为信道模型，其中大规模衰减不考虑阴影效应。信道响应小规模衰落用具有单位方差的零均值复高斯变量表示。大规模衰落采用的比例距离相关模型用于确定。信道带宽被设置为5000mhz。接收机处的噪声方差和发射机的发射功率被归一化为1。
[0043]
异构的特性在于每个类型d2d对的发射机天线数可能不同，nm表示m类型的d2d发射天线的数量。对于每个d2d对分别表示其发射机和接收机为和每个d2d对的发射机和接收机之间的距离在d
max
和d
min
之间。计算通信链路的信道响应和干扰链路的信道响应
[0044]
步骤二，生成训练集和测试集。分别生成步骤一中的异构无线d2d网络300000个和1000个，并运行fp(分式规划)算法为每个异构无线d2d网络生成最优和速率标签。将生成的异构无线d2d网络及最优和速率标签作为训练集，训练集的样本数量x＝300000和测试集的样本数量y＝1000。
[0045]
步骤三，将训练集和测试集内的异构无线d2d网络建模为异构图。异构无线d2d网络的每个d2d对看作是一个顶点，干扰链路作为图的边，将异构无线d2d网络建模为异构图。用表示节点类型的集合，表示边的集合，一个异构图由两个映射函数表示，分别是将每个节点映射到对应类型的φ:以及将每条边映射到对应类型的以及将每条边映射到对应类型的如图4所示，在异构的d2d网络中，将每个d2d对看作一个节点和每个干扰链路作为边。为m类型的第i个节点。为节点类型为n的邻居节点。节点的属性通过集合表示，m类型的第i个d2d对的属性为每个顶点的属性包括权重噪声方差和收发器的直接信道响应边的属性通过集合表示，每个边(im,jn)的特征是从干扰发射机到干扰接收机的信道响应，即，
是干扰发射机t
im
到干扰接收机r
jn
之间的信道响应，是干扰发射机t
jn
到干扰接收机r
im
之间的信道响应。
[0046]
步骤四，构建异构图神经网络模型，并初始化神经网络权重。如图2所示，每层图卷积层由边更新函数顶点更新函数和聚合函数组成，边更新函数和顶点更新函数可以被写为：
[0047][0048][0049]
其中，为初始化的边特征，l为图卷积网络的层数。是第l层网络中图模型的边特征；是第l层网络中部分更新之后的节点特征；是l-1层网络中节点d
im
的邻居节点的特征；是l-1层网络中节点d
im
的节点特征，为边更新函数，用于传递邻居节点信息和边信息；为节点部分更新函数，用于更新每种类型节点传递来的信息。模型根据节点邻居节点的类型将图划分为不同网络块，不同的网络块对应不同的网络关系，并用干扰链路的类型区分这种关系。定义关系r＝(m,n)表示从n类型d2d对到m类型d2d对的干扰链路。对于每个关系，该模型定义了一个由多层感知器(mlp)参数化的边更新函数和顶点更新函数学习到每种关系的节点更新之后，然后，通过聚合获得节点最终的更新。聚合函数：
[0050][0051]
为节点的部分更新，c
i,m
为节点干扰链路的数量；表示为第i层网络中节点的特征，由节点的最终聚合更新得到。本发明使用两层异构图卷积神经网络，第一层边更新函数和顶点更新函数由大小为{4nn 2nm,32,32,8}和{8 2nm,32,32,8}的mlp参数化。第二层的边更新函数和顶点更新函数由大小为{4nn 2nm,32,32,8}和{8 2nm,32,32,2}的mlp参数化。将训练集内异构d2d网络建模为异构图模型输入异构图卷积神经网络，最后的输出层经过softmax(归一化指数函数)函数作为激活后产生链路调度策略
[0052]
整个模型速率最大化问题可被表示为：
[0053][0054]
约束为：
[0055]
表示对于任意类型的每个d2d对，都有一个状态向量ρ∈{0,1}。
[0056]
其中，是d2d对的优先级，是状态向量；b是通信带宽；是发射机和接收机的信道响应；是的发射机与d2d对的接收机之间的信道响应；是发射机的发射功率；是环境噪声。ρ是d2d对的状态向量，ρ＝1时表示d2d对是激活的，ρ＝0时表示d2d对时关闭的；ρ
jn
表示n类型的第j个d2d对的状态向量，ρ
im
表示m类型的第i个d2d对的状态向量；p
im
是m类型的第i个d2d对的发射机t
im
的发射功率；p
jn
是n类型的第j个d2d对的发射机t
jn
的发射功率；表示干扰发射机t
im
到干扰接收机r
jn
之间的信道响应，即干扰链路(interference link)的信道响应。
[0057]
步骤五：将处理后的训练集输入至神经网络构建效用函数的负期望作为损失函数，并选择一个梯度下降算法优化神经网络的权重。设置训练迭代次数为200，每5次迭代保存一次训练模型，然后，输入测试集测试性能，测试结果取1000个测试网络的平均值，且测试结果是经神经网络训练后生成和速率与fp算法生成的最优和速率标签的比值。迭代满200次，训练结束。
[0058]
训练阶段选择效用函数的负期望作为损失函数：
[0059][0060]
其中，为的热点代表；为的热点代表。eh[]表示计算括号内公式的期望。p
jn
是n类型的第j个d2d对的发射机t
jn
的发射功率。采用小批次梯度下降算法，将训练集分为4500个批次，每批次包含64个样本，迭代次数为200，选择adam(自适应矩估计)优化器优化神经网络的参数θ。
[0061]
测试阶段将测试数据集输入至训练好的异构图卷积神经网络中，验证其和速率性能为fp算法生成的标签的80％以上，证明本发明的可靠性。
[0062]
图3中，communication link表示通信链路；interference link表示干扰链路；图4中，vertex和edge的含义为节点和边。
[0063]
以上实施例仅供说明本发明之用，而非对本发明的限制，有关技术领域的技术人员，在不脱离本发明的精神和范围的情况下，还可以作出各种变换或变型，因此所有等同的技术方案也应该属于本发明的范畴，应由各权利要求所限定。