[发明专利]边缘分层社会关系感知方法

摘要

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。

主权项

1.一种边缘分层社会关系感知方法，其特征在于，包括以下步骤：S1：雾计算接入点(F-AP)利用收集的用户的位置数据计算用户对的位置特征，上传至集中服务器，同时上报其计算能力；S2：集中服务器选取N个计算能力最强的F-AP作为计算结点，其他F-AP只提供训练数据，并将F-AP上传的位置特征聚合，与社会关系标签组合成基于位置特征的训练数据，发送至N个作为计算结点的F-AP，同时从计费系统获取用户的通话数据计算用户对的通话特征，与社会关系标签组合成基于通话特征的训练数据；S3：N个用于模型训练的F-AP分别对从集中服务器获取的有标签的位置特征数据集进行抽样，然后各训练一个分类回归树(CART)模型，同时，集中服务器基于有标签的通话特征数据集训练一个CART模型，F-AP将有标签数据和无标签数据的预测结果发送至集中服务器；S4：集中服务器筛选出置信度大于预设阈值的预测数据，并将筛选的预测数据的编号及其预测结果发送至对应的F-AP，该F-AP和集中服务器更新训练集，再次训练一个CART模型，F-AP将有标签数据和无标签数据的预测结果发送至集中服务器，该过程重复执行K轮；S5：对于新的用户对，N个F-AP基于其位置特征，利用自身训练好的CART模型分别初步感知出两个用户的社会关系，然后将结果上传至集中服务器，集中服务器结合基于通话特征的CART模型的感知结果，使用平均法组合得到最终的感知结果，以实现分层感知。