[发明专利]物联网场景下的资源分配方法、装置、设备及存储介质

说明书

本申请关于一种物联网场景下的资源分配方法、装置、设备及存储介质，涉及物联网技术领域。该方法包括：获取信道增益集合，该信道增益集合中包含各个子信道的信道增益；通过将信道增益集合输入到训练好的卸载决策网络中，获得卸载决策网络输出包含对应于各个子信道的卸载决策元素的卸载决策元素集合；该卸载决策网络是通过联邦学习机制训练获得的；通过对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；将至少两个候选决策集合分别代入到全局最优化函数中，基于获得的至少两个函数值确定目标决策集合以及其对应的资源分配策略集合；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。

技术领域

本申请实施例涉及物联网技术领域，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

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。

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。

发明内容

本申请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：

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：

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；

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；

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；

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。

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：

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；