[发明专利]边缘分层社会关系感知方法

说明书

本发明提出一种边缘分层社会关系感知方法，针对雾无线接入网络的集中服务器和N个雾计算接入点(F‑AP)，基于集成的半监督算法，利用多个分类回归树(CART)模型并行训练、预测，将半监督算法分解成N+1个并行的子任务，分配到集中服务器和N个F‑AP中训练和预测，减少集中服务器的计算负担。社会关系感知所需位置信息从F‑AP获取，通话记录信息从集中服务器获取。集中服务器和N个F‑AP并行计算，减小时间开销；集中服务器和F‑AP之间只需要进行小数据量的信息交互，无需把原始数据都上传至集中服务器，减轻前传链路的负担。

技术领域

本发明涉及无线通信技术领域，特别涉及一种边缘分层社会关系感知方法。

背景技术

随着智能终端普及率的提升，以及数据业务和多媒体业务使用量的爆炸式增长，无线网络正面临着容量短缺的问题。终端直通(D2D)通信是一项公认的很有前途的技术，它允许两个物理距离较近的设备直接通信，可以提高频谱效率，增加系统容量。然而D2D通信面临着一些尚未解决的问题，出于安全性的考虑和用户本身的自私性，用户不会和陌生人进行D2D通信，如果用户无法判断请求D2D的对象是否认识，很可能会拒绝D2D通信请求，从而限制D2D在实际网络中的应用。

当前，移动网络每时每刻都在产生着和用户相关的多维度数据，通过搜集这些数据，并利用数据挖掘技术进行数据挖掘，可以实现对用户社会关系的有效感知，并利用感知结果来解决前述问题。人们已经发现，移动设备通常由处于社会网络中的人所携带，故移动设备与携带它的用户有着密切的关系，移动设备也体现出相应的社会属性。因此，可以基于这些用户行为数据(通话记录、位置记录)，利用数据挖掘技术，感知出用户之间的社会关系，基于社会关系进行D2D通信。即有着较强社会关系的人们更愿意分享信息和文件，直接通信也更加安全。

现有的用来感知社会关系的数据挖掘算法包括三类：(1)有监督学习：在有大量的关系标签数据前提下才会获得较高的准确率，而社会关系标签涉及到用户的隐私，需要人工采集获取，采集难度大，成本高，实际中难以获得大量的关系标签数据，所以有监督学习方法不适用于实际网络；(2)无监督学习：只利用了无标签数据，忽略了标签数据具有的重要信息，准确性大大降低；(3)半监督学习：充分利用了标签数据和无标签数据的信息，不仅降低了对标签数据的需求，适用于实际网络，同时也可以提高准确率和泛化能力，因此半监督学习算法更适用于实际网络中的社会关系感知。

在半监督学习算法中，基于单个学习器的半监督方法(如Self-Training)先使用有标签数据训练，再使用无标签数据修正和提高准确率，会导致单个学习器不断积累自身的分类错误，造成准确率不高。基于集成(多个学习器)的半监督方法并行训练多个学习器，利用多个学习器的分类结果相互修正和提高准确率，不显著增加时间开销的前提下，提高准确率和鲁棒性。其中，基于集成的半监督Co-Forest算法利用集成方法bagging的思想，使用分类回归树(CART)作为基本学习器，在少量标签数据情况下，具有更高的准确性和鲁棒性，适合用于实际网络中的社会关系感知。

然而，将上述算法应用在实际网络中时，集中的社会关系感知存在以下问题：集中服务器计算负担较重，且从网络边缘收集的大量原始数据需要上传至集中服务器，会给相应的传输链路带来较大负担。

发明内容

本发明旨在至少解决上述技术问题之一。

为此，本发明的目的在于提出一种边缘分层社会关系感知方法，针对雾无线接入网络(F-RAN)的集中服务器和N个雾计算接入点(F-AP)，基于集成的半监督Co-Forest算法，利用多个CART模型并行训练、预测，将半监督算法分解成N+1个并行的子任务，分配到集中服务器和N个F-AP中训练和预测。社会关系感知所需位置信息从F-AP获取，通话记录信息从集中服务器获取。集中服务器和F-AP之间只需要进行小数据量的信息交互，无需把原始数据都上传至集中服务器。该方法一方面提高了半监督学习方法的准确率和鲁棒性，另一方面减小了集中服务器和前传链路的负担，同时，减小了时间开销。