CN114375050B 一种数字孪生辅助的5g配电网资源调度方法 （华北电力大学）

(19)国家知识产权局(12)发明专利(10)授权公告号CN114375050B(65)同一申请的已公布的文献号(74)专利代理机构常州国光专利代理事务所HO4W72/044(2023.HO4W4/35(2018.01)ZhenyuZhou,ZehanJWenbingLu,ShahidGuizani,MuhammadTariq."SecureandLatency-AwareDigitalTwinAssistedComputing-EmpoweredDistributionGrids”INFORMATICS.2021,第18卷(第7期),第1-12页.贾泽晗.“数字孪生辅助的5G融合配电网资源调度研究”.中国优秀硕士学位论文全文数据库.2024,全文.审查员蔡明珠(54)发明名称法本发明涉及一种数字孪生辅助的5G配电网资源调度方法，属于通信技术领域。本发明的目的是提供一种数字孪生辅助的5G配电网资源调度方法。通过联合优化终端调度、终端计算资源分配、功率控制和服务器计算资源分配，在保证终端能量消耗和接入优先级长期约束的前提下，降低了DT构建累积迭代时延和终端能量消耗，提终端层CN114375050B权利要求书1/5页21.一种数字孪生辅助的5G配电网资源调度方法，其特征在于具体调度步骤为：S1、构建系统模型，具体包括：1.1、本地训练模型；1.2、传输模型；1.3、包错误率模型；1.4、边缘聚合与异常模型检测模型；1.5、能耗和时延模型；S2、问题建模和转化，具体包括：2.1、接入优先级约束；2.2、能耗约束；2.4、问题转化；S3、安全和时延感知的数字孪生辅助资源调度方法，具体包括：3.1、终端接入调度、终端计算资源分配和功率控制联合优化子问题；3.2、服务器计算资源分配子问题；所述S2中问题建模和转化中接入优先级约束，长期接入优先级约束定义为：其中e为选择u;进行本地训练和参数传输次数的最小比例需求；所述S2中能耗约束考虑到终端电池容量有限，定义长期能耗约束为所述S2中问题建模优化目标定义为在接入优先级和能耗的长期约束下，通过联合优化计算资源分配、功率控制和接入调度，使DT损失函数与总迭代时延的加权和最小，表述为：s.t.C₁:x;(t)∈{0,1},C₃:0≤f;(t)≤fimax(t),VuC3C₁和C₂表示BS最多可以同时调度N(t)个终端上传模型参数；C₃表示终端计算资源分配约束，其中fi,max(t)为u的最大可用计算资源；C₄为传输功率约束，其中Pi,max为u的最大传输功率；C₅和C₆为服务器计算资源分配约束，其中f(t)为边缘服务器的最大可用计算资基于包错误率和DT损失函数之间的关系，P1可以重写为：s.t.C₁~C₈.所述S2中问题转化采用虚拟队列的概念来解耦长期约束和短期资源调度优化，C₇和C₈可以转化为队列稳定性约束，表示为：s.t.C₁~C6,定义向量Q(t)=[F(t),Y:(t)],李雅普诺夫函数可表示为：李雅普诺夫漂移定义为李雅普诺夫函数在两个连续时隙的条件期望变化，表示为：为实现全局损失函数和总迭代时延的加权和在队列稳定性约束下的最小化，定义漂移加惩罚为：+x;(t1)q:(t)|O(t)]+VV.{max{x;(t)(z'(2.根据权利要求1所述的一种数字孪生辅助的5G配电网资源调度方法，其特征在于：所述S1中构建系统模型是基于联邦学习的5G边缘计算配电网DT架构，架构主要包含三层，即4述S1中本地训练模型场景中包含I个电力物联网终端，集合表示为U={u₁,U₂…U₁},总时定义Sj和⑨j表示数据集D,中一个样本的输入和目标输出，单样本损失函数w;(t)=w;(t-1)-ηVF(w;(t-述S1中包错误率模型的包错误率可以表示为；其中k为与编码增益有关的常数，定义二进制指示变量a(t)∈{0,1}5定义终端接入调度二进制指示变量为x(t)∈{0,1};边缘聚合时延计算为：全局模型的损失函数表示为：其中表示所有被选择终端的总样本数量；所述S1中边缘聚合与异常模型检测模型的异常模型检测模型：异常模型检测模型时延可计算为：其中ξ。表示边缘服务器处理单个样本需要的CPU周期数，当u上传的异常模型大于比例判定u为恶意终端，并从集合S(t+1)中移除；定义f&(t)和få(t)分别表示边缘服务器分配用于边缘聚合与AMR的计算资源；C₀表示边缘服务器处理1比特数据需要的CPU周期数；定义Dest为边缘服务器侧用于检测模型的数据集。7.根据权利要求1所述的一种数字孪生辅助的5G配电网资源调度方法，其特征在于：所述S1中能耗和时延模型中u的总能耗为本地计算能耗与传输能耗之和，计算为：单次迭代总时延包含所有终端中本地计算时延与参数传输时延之和最大的时延、边缘聚合时延与AMR时延中较大的时延以及全局模型广播时延τ,表示为：8.根据权利要求1所述的一种数字孪生辅助的5G配电网资源调度方法，其特征在于：所述S3安全和时延感知的数字孪生辅助资源调度算法求解联合优化问题P3,该问题可以分解为两个子问题，即SP1:终端接入调度、终端计算资源分配和功率控制联合优化子问题；SP2:服务器计算资源分配子问题；6其中SP1表示为：s.t.C₁~C₄.SP2表示为：其中v(t)为深度神经网络参数集合；由于t(t)和t(t)分别与f(t)和f(t)成反比，并且f。(t)+få(t)=mx(t),因此，fa(t)=fm(t)-fa(t)o7一种数字孪生辅助的5G配电网资源调度方法技术领域[0001]本发明涉及一种数字孪生辅助的5G配电网资源调度方法，属于通信技术领域。背景技术[0002]目前，配电网部署了温度、电流传感器等海量物联网终端提供实时监控服务，对低时延数据传输和处理提出了较高的要求。传统的有线和无线通由于部署成本高、无线频谱资源不足、边缘智能不足，无法解决配电网最后一公里的通信和计算问题。5G边缘计算通过在网络边缘中集成先进的通信和计算技术，提供了一种可行解资源进行动态智能调度。[0003]数字孪生(Digitaltwin,DT)可以从数字世界的角度帮助5G边缘计算支持的配电网实现多维资源调度。DT从大量终端收集实时状态，建立所有物理实体的数字表示，从而实现多维资源调度的精确决策指导。然而，在构建DT并利用它辅助资源调度时，需要解决一些[0004](1)DT对延迟、准确性和安全性的严格要求：DT需要以低延迟更新，以保持与物理实体的实时一致性。同时，为了提高资源调度的准确性，必须使反映DT与实际值偏差的损失函数最小。另一方面，从构建DT的大量终端中收集的数据也面临隐私问题和安全威胁。例如一些恶意的终端上传的异常模型参数，会严重降低DT的准确性，引发各种安全问题。[0006]合优化：多维资源调度的联合优化问题是一个非常重要的问题，因为多维资源调度是不同实体、维度和过程之间的耦合。例如，终端功率控制和计算资源分配策略相耦合，服务器边缘聚合和异常模型识别相耦合。[0007](3)接入优先级和能耗长期约束：考虑到业务的重要性和终端的电池容量有限，需要建立长期的接入优先级和能耗约束，以保证重要终端的接入优先级，降低能耗。然而，长期约束与短期资源调度优化是耦合的。[0008]有鉴于上述的缺陷，本发明以期创设一种数字孪生辅助的5G配电网资源调度方发明内容[0009]为解决上述技术问题，本发明的目的是提供一种数字孪生辅助的5G配电网资源调度方法。通过联合优化终端调度、终端计算资源分配、功率控制和服务器计算资源分配，在保证终端能量消耗和接入优先级长期约束的前提下，降低了DT构建累积迭代时延和终端能[0010]本发明的一种数字孪生辅助的5G配电网资源调度方法，具体调度步骤为：8[0029]定义S和9;表示数据集△中一个样本的输入和目标输出，单样本损失函数9[0040]其中k为与编码增益有关的常数，定义二进制指示变量a(t)∈{0,1},a₂(t)=1表[0052]其中。表示边缘服务器处理单个样本需要的CPU周期数，当u上传的异常模型大于[0055]进一步的，所述S1中能耗和时延[0062]其中e;为选择u;进行本地训练和参数传输次数的最小比例需求。[0063]进一步的，所述S2中能耗约束考虑到终端电池容量有限，定义长期能耗约束为[0066]进一步的，所述S2中问题建模优化目标定义为在接入优先级和能耗的长期约束下，通过联合优化计算资源分配、功率控制和接入调度，使DT损失函数与总迭代时延的加权[0070]C₃:0≤f(t)≤f;[0076]基于包错误率和DT损失函数之间的关系，P1可以重写为：[0080]进一步的，所述S2中问题转化采用虚拟队列的概念来解耦长期约束和短期资源调[0089]李雅普诺夫漂移定义为李雅普诺夫函数在两个连续时隙的条件期望变化，表示+x;(t)q.(t)|0(t)]+VV₂{max{x(t)(z出+x;(t)q.(t)]+VV{max{x,(t)(z'(s.t.C₁~C₄.出由于t(t)和ta(t)分别与f。(t)和f(t)成反比，并且fa(t)+få(1)=fmx(),因此，[0104]本发明提出了一种数字孪生辅助的5G配电网资源调度方法，通过联合优化终端调度、终端计算资源分配、功率控制和服务器计算资源分配，在保证终端能量消耗和接入优先级长期约束的前提下，降低了DT构建累积迭代时延和终端能量消耗，提高DT精度和安全性。[0105]上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。附图说明[0106]为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某个实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。[0107]图1是本发明基于联邦学习的5G边缘计算配电网DT架构；[0109]图3是本发明仿真实验中DT损失函数图；[0110]图4是本发明仿真实验中累计迭代时延图；[0111]图5是本发明仿真实验中累积能耗图。具体实施方式[0112]下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。[0113]本发明一较佳实施例所述的一种数字孪生辅助的5G配电网资源调度方法，整个技术方案包括三个步骤：[0115]基于联邦学习的5G边缘计算配电网DT架构如图1所示，目的是通过联邦学习构建终端执行本地模型训练过程，并把模型参数上传到边缘层。边缘层包含一个基站(BaseStation,BS)和一个与基站部署于同一位置的边缘服务器，以提供接入和计算服务。基于从终端收集到的本地模型参数，边缘服务器执行边缘聚合过程并得到一个全局模型。同时，在边缘服务器上进行异常模型检测(AbnormalModelRecognition,AMR),识别恶意终端上传的异常模型，以实现安全感知。DT层在边缘服务器上构建，通过与终端实时交互，以保持与物理网络同步，辅助边缘服务器优化资源调度。[0116]如图1所示，u₁、U₂、u4和u₆被基站调度进行局部训练，并将训练后的模型参数和状态信息发送到边缘服务器进行边缘聚合。边缘服务器检测到u₁上传的模型参数参数存在传输错误，因此拒绝u₁参加边缘聚合。在边缘聚合的同时，边缘服务器执行AMR,并一个恶意终端。因此，u₆将被阻止参与本地训练和模型参数上传过程。[0118]考虑场景中包含I个电力物联网终端，集合表示为Y={u,u₂,…,u}。总时间周期被划分为T次迭代，集合表示为T={1,2,…,T}。假设信道状态信息(ChannelStatet-1次迭代的全局模型作为本地模型M,,并设置本地模型参数为全局模型参数，即@i(t-1)延可以计算为[0121]定义Sj和9;表示数据集△中一个样本的输入和目标输出。单样本损失函数为[0127]假设基站在每次迭代可以选择N(t)<<I个终端进行模型上传。定义当终端能量择进行模型参数上传，否则x;(t)=0。当x:(t)=1,u:本地模型参数@;(t)和状态s上传至基[0129]定义|@;(t)|表示参数@;(t)的大小。由于s,很小，因此忽略其上传时延。另B₃表[0131]其中h:(t)表示信道增益，N₀和I(t)分别表示噪声功率和电磁干扰功率。因此，传输能耗和时延可以表示为示为[0146]其中表示所有被选择终端的总样本数量。期接入优先级约束定义为优化目标定义为在接入优先级和能耗的长期约束下，通过联合优化计算资源分C₃:0≤f(t)≤f;mx(t),VC₅:f(t)≥0,f(t)≥0,Vt∈为终端计算资源分配向量，P=(P(t):u∈∑(t),t∈T)为传输功率向量，x=(x;(t):u∈∑(t),t∈T)为终端接入调度向量，f⁸=(få(t),fi(t):t∈T)为服务器计算资源分配向量。C₁和C₂表示BS最多可以同时调度N(t)个终端上传模型参数。C₃表示终端计算资源分配约束，其中f;,max(t)为u的最大可用配约束，其中fm(t)为边缘服务器的最大可用计算资源。C₇和C₈分别为接入优先级和能耗长期约束。[0175]基于包错误率和DT损失函数之间的关系，P1可以重写为s.t.C₁~C8.(21)[0179]采用虚拟队列的概念来解耦长期约束和短期资源调度优化。C,和C₈可以转化为队[0184]s.t.C₁~C₆,[0185]Cg:F(t)和Y(t)平均速率稳定。(21)漂移加惩罚为[0195]本发明提出安全和时延感知的数字孪生辅助资源调度(SAINT)算法来求解联合优+x₂(t)q₂(t)]+VV{max{x;(t)(接入调度问题可以建模为马尔科夫过程，并通过数字孪生辅助的深度Q学习(DeepQ以被近似为[0208]SP1”为凸优化问题，可以通过拉格朗日对偶分解法求解。[0209](2)服务器计算资源分配子问题[0210]SP2表示为[0218]本发明所提算法SAINT主要包含接入调度、模型下载、本地训练、本地模型参数上传和AMR与边缘聚合。首先，初始化虚拟队列积压和接入调度指示变量为0。在每次迭代初，服务器基于估计Q值选择终端进行数据传输。其次，基于数字孪生估计的经验值f′;,max(t),h′;(t)和I′;(t),服务器通过求解SP1”优化计算资源分配和功率控制。随后，被选择终端下载全局模型@g(t-1),并执行本地训练、参数传输以及更新F(t)和Y:(t)。然后，通过求解SP2得到服务器最优计算资源分配策略，服务器执行边缘聚