一种基于联邦学习的云边端协同车载网络资源分配方法

技术领域

本发明涉及一种云边端协同车载网络中的资源分配问题的解决方法，特别涉及应用联邦学习先进技术的虚拟网络映射方法。

背景技术

随着移动终端数量的激增，智能物联网中出现大量计算密集型或延迟敏感的服务应用。传统的云计算模式无法满足日益增长的差异化服务质量(Quality of Service,QoS)需求。这可能会导致服务提供商的收益下降。尤其在车载网络中，车辆有限的计算资源限制了网络服务质量。移动边缘计算通过在移动终端和云数据中心之间部署边缘服务器，引入了一种中间计算资源来实时处理计算任务。因此，发展智能移动终端、云平台和边缘计算的协同网络已经成为学术界和工业界的共识。云边端协同网络应运而生，并融入工业物联网、智慧交通、自动驾驶、智慧农业等行业领域。云边端协同车载网络是精准定位在交通系统领域的典型应用，通过边缘计算技术与传感器检测技术相结合，实时获取车辆状态和道路环境信息。云边端协同车载网络能够根据QoS需求和网络的资源状态将计算服务卸载到网络的任何节点上完成。由此，可以最大限度的降低服务延迟，更好的为用户服务。但是边缘服务器和车载终端设备的资源受限，其效力取决于资源分配方案。云边端协同车载网络的异构型和时变性等特征给网络资源分配算法带来了严峻的挑战。

首先，车辆的实时位置和移动速度等信息是智能交通应用中数据量庞大而关键的信息，对定位网络服务的能力(CPU、带宽、时延要求等)提出了更高的要求。其次，搭建一套云边端协同车载网络辅助的全国城市智慧交通系统成本非常昂贵，这需要降低网络服务的资源消耗以节约成本。传统互联网体系架构僵化，难以满足云边端协同车载网络中计算密集和延迟敏感的业务需求。因此，有必要设计一种高效的网络资源编排算法。

新兴的边缘计算和网络虚拟化技术(Network Virtualization，NV)可以通过合理的编排网络资源从而有效提供更高服务质量的网络服务。虚拟网络嵌入是NV研究的关键问题之一。根据不同的服务质量需求来编排虚拟网络请求，可以更高效的利用物理资源，降低能耗。因此，我们可以从虚拟网络嵌入角度来合理编排云边端协同车载网络服务中产生的瞬时、大量的网络资源需求，提升服务的健壮性，降低能耗。这将有效降低网络服务的成本，提高服务的健壮性和QoS，降低网络资源消耗。

目前有关基于虚拟网络映射的资源网络分配方法研究工作大多围绕启发式算法展开。但是，启发式算法的约束和特征是明确设计的，优化单个目标函数可能会导致其他指标的性能下降。例如，专注于降低成本的嵌入算法可能与实现高接受率相冲突。此外，随着虚拟网络嵌入问题规模的扩大，解空间随着状态空间的增长而呈指数增长。启发式算法往往在这种情况下往往只能求出局部最优解。随着计算机算力的增强，机器学习中联邦学习展现了强大的全局数据分析能力。在解决空间维度较高的问题时，联邦学习展现了比启发式算法更好的性能，往往能找出更优的解决方案。此外，联邦学习在可以使用本地数据完成学习模型的训练，有效保护数据的隐私性，解决数据孤岛问题。

综上所述，关于云边端协同车载网络资源分配方法的研究还面临着以下挑战。

(1)现有的资源分配方法只是综合利用了云边端协同车载网络的资源，忽略了用户差异化的服务质量需求，无法支撑多样化的应用场景。

(2)目前的虚拟网络映射算法大多集中于单个网络域进行求解，无法满足用户跨域虚拟网络映射的需求。

(3)传统的基于启发式的虚拟网络映射算法无法应对云边端协同车载网络所带来的复杂解空间，无法获得最优的网络资源分配方案。

基于对目前云边端协同车载网络的深入调研，为了应对移动终端带来的巨大数据量，研究云边端协同车载网络具有重大的现实意义。而联邦学习算法作为人工智能领域的一种新兴技术，非常适用于解决多维异构网络环境下的资源分配问题。因此，设计一种基于联邦学习技术的云边端协同车载网络资源分配方法，可以有效满足不同用户的差异化服务质量需求，具有重要的研究意义。

发明内容

本发明的目的在于提出一种针对云边端协同车载网络的网络资源分配方法，以解决传统云计算模式存在的弊端，提高网络资源利用率。本发明具体针对云边端协同车载网络的多维度，时变性和异构性等特征，提出了一种基于联邦学习的云边端协同车载网络资源分配方法。该方法在提高资源利用率的同时，降低了虚拟网络嵌入的成本，且具有较高的安全性。

本发明所采用的技术方案如下：

研究思路以复杂多域网络编排，满足用户差异化QoS需求为主线，围绕云边端协同车载网络建模、本地代理设计、全局模型聚合三个主要环节开展研究。首先，根据云边端协同车载网络的多维度，时变性和异构性特征，把底层物理网络拓扑抽象为一个图结构，并根据网络资源情况和用户需求为网络节点和拦路设置相应的属性，建立物理网络模型。然后，利用联邦学习技术搭建神经网络模型，提取网络重要属性以构建的特征矩阵，实现代理的训练和测试，推导网络资源分配方案。最后，通过嵌入成功率、收益、成本等指标验证所提出算法的性能。

所述的云边端协同车载网络建模方法，将云边端协同车载网络建模为一个无向加权图

所述的利用联邦学习技术搭建本地代理，利用神经网络的基本元素构建一个多层策略网络模型作为本地的学习代理。策略网络包括感知层、卷积层、概率层、过滤层和输出层。首先，感知层提取底层网络的特征矩阵，并将其传递给卷积层。卷积层执行卷积运算以求出每个节点的可用资源向量。然后，概率层根据节点可用资源向量计算每个物理节点被嵌入的概率。该概率反映了将这个虚拟节点嵌入到该节点会产生更好结果的可能性。过滤层根据约束条件过滤无法满足虚拟网络请求属性需求的物理节点。最后，输出层输出可以用于承载虚拟节点的物理节点，并根据被嵌入的概率大小对物理节点排序。

所述的全局网络模型聚合，将各个网络域的本地代理训练后的模型进行聚合，促进全局模型的优化。首先，将云边端协同车载网络划分N个网络区域，每个域选择一个客户端运行本地代理进行本地训练。选择本地代理后，与中央服务器通信并获取初始全局模型和网络参数。然后，本地代理使用本地的数据训练本地模型。网络域i的本地模型的损失函数定义如下。

其中，

本地模型完成一次迭代后，域代理将更新后的模型参数上传全局服务器。全局服务器完成一轮参数采集后，使用基于奖励的加权策略进行模型聚合工作，通过平均加权计算得到新的模型参数，然后将其发送到各个域进行下一次迭代。

基于奖励的加权策略根据本地模型收到的奖励来设置本地模型的权重α，如下式。

式中，R

所述的网络重要属性以构建的特征矩阵，其特征在于：物理网络有许多属性可以作为底层物理网络节点的特征。本文选取CPU、节点的连通性、节点的安全性、以及节点的接近中心性。提取这些特征信息之后，对其进行归一化处理得到特征向量，所有的特征向量拼接起来构建组成特征矩阵。学习代理将读取特征矩阵作为训练环境。随着物理网络资源状态的变化，特征矩阵也会随之更新。

所述的通过嵌入成功率、收益、成本等指标验证所提出算法的性能，其特征在于：设计并计算虚拟网络请求接受率、长期平均收益、CPU资源利用率三项指标评估所提出的基于联邦学习的云边端协同车载网络资源分配方法的性能。虚拟网络请求接受率可以直接体现出算法的优劣。长期平均收益越大，服务提供商可以获得的经济效益越高。CPU资源利用率可以体现网络资源利用率情况。

本发明提供的技术方案带来的有益效果是：(1)本发明根据云边端协同车载网络的异构、事变特性，建立了包含三个子网段的异构网络模型，并利用基本的神经网络元素设计策略网络，实时感知物理网络环境变化，推导网络资源分配优化方案。(2)本发明采用了先进的联邦学习技术求解虚拟网络资源分配方案，实验证明联邦学习技术可以取得比传统启发式算法更优秀的性能表现。(3)本发明提出了一种基于奖励的参数加权策略，根据局部模型收到的奖励来设置局部模型的权重，可以事项更好的全局模型聚合。

附图说明

为了更清楚地说明本发明的技术方案，下面将对发明内容中所需要使用的附图作简要地介绍。

图1是本发明提出的虚拟网络嵌入图。虚拟网络请求由4个节点和3条链路组成。虚拟节点分别为a、b、c、d，物理节点分别是A、B、C、D，节点旁边的数字代表节点所需的CPU资源，链路上的数字代表链路映射所需的带宽资源。

图2本发明提出的策略网络构造图。策略网络共有五层，分别是感知层、卷积层、概率层、过滤层和输出层。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将对本发明实施方式作进一步地详细描述。

本实例设定整个网络拓扑分为5个域，每个域中选择一个节点运行本地模型并与全局服务器进行交互。首先使用GT-ITM工具生成用于本地训练的云边端协同车载网络拓扑，包括1×5个云服务节点、3×5个边缘服务器节点、16×5个车载终端节点和120×5条链路。然后，利用C++程序生成1000个虚拟网络请求作为训练集，1000个虚拟网络请求作为测试集。每个虚拟网络请求包含2-10个虚拟节点。虚拟网络请求的数量遵循泊松分布，且每个虚拟请求的计算资源和带宽资源要求均在0～50个单位之间。训练集用于拟合模型以提高模型性能，测试集用于评估最终模型的泛化能力。

策略网络中的参数采用随机的方式完成初始化，在收到全局模型后开始新一轮的本地训练。对于每次训练，代理从底层网络中提取特征矩阵作为策略网络的输入，最后输出一组该虚拟节点可以映射的物理节点以及选择每个节点的概率。这个概率表示该虚拟节点映射到这个物理节点会产生更好的映射方案的似然性。

基于以上实验条件，完成云边端协同车载网络的资源分配。最后根据上述所提到的请求接受率、长期平均收益、长期收益成本比三项指标评判所提出方法的性能。经过实验证明，相较于其他启发式算法，应用联邦学习技术的资源分配方法在虚拟网络请求接受率、长期平均收益、长期平均收益平衡表现最佳。且在保证虚拟网络请求嵌入的安全性方面有良好的效果，显著降低网络资源开销和成本。