[发明专利]一种无线通信网络中无线电地图的构造和定位方法及其系统

说明书

本申请公开了一种无线通信网络中无线电地图的构造和定位方法及其系统，其中无线通信网络中无线电地图的构造和定位方法，具体包括以下步骤：进行无线电频谱数据的收集；响应于完成无线电频谱数据的收集，选择参与训练的边缘用户；响应于选择参与训练的边缘用户，进行联邦学习训练，得到训练完成的神经网络模型；输出保存神经网络模型；根据保存的神经网络模型，进行无线电地图定位。本申请通过保护用户隐私的方法，使用神经网络精准泛化出能满足需求的高精度无线电地图，更加适用于智能场景。

技术领域

本申请涉及移动通信网络领域，尤其涉及无线通信网络中无线电地图的构造和定位方法及其系统。

背景技术

随着全球经济的飞速发展，现代移动通信设备越来越具有超密集、多异构的特点。无线通信网络环境也越来越复杂，在现实的物理环境中难以将其进行有效的表征，因此现实场景中无线网络的覆盖情况与无线网络的信道质量信息难以获取，这给在未来通信中有效的管理无线通信网络带来了巨大的挑战。因此高效率、精准的构建出已知区域的无线电地图(Radio Map)对未来无线通信网络的发展具有巨大的意义。

但是由于构建精准的无线电地图需要大量的无线电频谱数据，并且获取的方法非常有限。现有解决数据的方法便是将多个数据拥有方的无线电频谱数据进行集中处理，最终来泛化出一个全局的无线电地图。但是数据一但共享，数据便具有产生泄露的风险，这给在保护数据安全的前提下构建精准的无线电地图带来了巨大的挑战。在此背景下，联邦学习(Federated Learning，FL)帮助在保护用户数据隐私的前提下精准的训练出全局的网络模型。联邦学习保证了数据不出本地，训练参与方只交换本地网络训练的模型参数，同时可以支持多个数据拥有方参与训练，加快了模型训练的速度。并且无线电地图一但精准构建出，便可直接应用于现实的场景中，其中比较重要的一个应用便是用户根据已知无线电地图来进行精确的定位，寻找信道环境好的路径来完成任务。

尽管联邦学习为保护数据隐私并且几乎无损的构建出全局的无线电地图网络模型提供了有效的解决方法。但是其仍然有许多需要解决的难题，主要包括：

1)联邦学习训练无线电地图模型的过程中，需要进行多次模型参数的交换，这会占用大量的通信资源。由于有限的通信资源块，因此需要对通信资源进行合理的分配，从而优化整个训练过程。2)本地用户具有有限的机载能量，当无线电地图模型训练时间过长、训练精度要求过高时，部分本地用户的机载能量无法支持整个训练过程，因此在联邦学习训练模型时，用户的机载能量受限是一个影响训练好坏的重要因素。因此如何选取优质的用户来参加联邦学习的训练，减少整体训练时间，从而节约用户的本地能量。3)在联邦学习训练无线电地图模型的过程中，上行与下行通信过程中的模型传输、本地训练带来了通信的延迟问题，这增加了整个训练过程的时间，并且导致模型参数更新不及时。

因此，如何通过联邦学习实现合理资源分配、低能耗、高精度、低延时的无线电地图构建成为本领域急需解决的问题。

发明内容

本申请的目的本发明的目的在于提供一种结合物联网切片服务的移动基站计算与缓存联合资源分配方法，在缓存资源占主要地位的前提下，平衡其它物理资源的占用，这一算法既可以实现更优的性能，又可以在此基础上对多种物理资源进行均衡灵活分配，对移动物联网多种严格的通信要求地更好实现和面向服务特性下给用户更好的通信效用都有促进意义。

为达到上述目的，本发明提出一种无线通信网络中无线电地图的构造和定位方法，具体包括以下步骤：进行无线电频谱数据的收集；响应于完成无线电频谱数据的收集，选择参与训练的边缘用户；响应于选择参与训练的边缘用户，进行联邦学习训练，得到训练完成的神经网络模型；输出保存神经网络模型；根据保存的神经网络模型，进行无线电地图定位。

如上的，其中，参与总体训练的边缘用户在其本地通过系统设备来进行无线电频谱信息的收集，其主要包括位置信息与信道有关的信息，主要包括对应地理位置信息的信干噪比、大尺度信道增益信息进行收集。