一种面向D2D辅助电力物联网的模式选择方法与装置与流程

本发明属于无线通信，具体涉及一种面向d2d辅助电力物联网的模式选择方法与装置。

背景技术：

1、设备到设备(device-to-device，d2d)通信技术是第五代(the 5th generation，5g)移动通信技术的关键技术之一。d2d表示终端用户之间绕过基站直接进行通信，而不必由基站转发的通信模式。d2d通信能使用授权的频带资源也能使用非授权频带资源，所以能很好的解决无线资源短缺的问题，它可以提高系统频带利用率、提高信息传输速率。执行d2d通信的用户终端可以以小功率传输信息，有效节省能耗开销，并且用户之间传输信息时传输时延很低，传输时延的降低有助于传输速率的提高，此外，终端直通通信能不受基站控制，从而基站负载较小。

2、d2d通信具有许多优点，但是在蜂窝网络中引入d2d通信也给系统带来许多问题。当d2d用户使用未许可频段时，难以发现设备并控制用户终端，导致网络性能下降；当d2d用户使用许可频带时，可以提高系统的资源利用率，但同时原有网络会引入新的干扰。这种因复用蜂窝用户资源而带来的干扰，会影响网络的通信质量，使网络环境变得恶劣。为了改善系统性能，以往的研究多聚焦于d2d技术中的两大关键技术：模式选择技术和功率分配技术。其中，模式选择技术表示d2d用户选择的工作模式，不同的工作模式所占用的频段不同，很好的解决了频带资源分配的问题；功率控制技术则是根据通信任务和用户的需求来调节用户发射端的发射功率，从而减少复用资源时产生的干扰。两种技术可以联合建模在一个优化问题框架中，然而以往的方法往往计算量过大，在实际系统应用价值不大。

3、d2d通信模式分为复用模式和专用模式。在复用模式下d2d用户与蜂窝用户共用一段频谱，可以有效节省系统频谱资源，但蜂窝用户和d2d用户之间会产生通信干扰；在专用模式下d2d用户使用的频谱资源与蜂窝用户的频谱资源正交，不存在干扰，但会占用大量频谱资源。因此，如何在平衡频谱资源和通信干扰的情况下使系统吞吐量最大成为模式选择的核心问题，模式选择的合理性决定了网络的性能。目前学界对于d2d模式选择技术的研究日益广泛。杨武军等人提出了基于用户距离的模式选择方法，通过对用户按照通信间隔进行区分，并根据用户信道状态设置优先级，对用户进行模式选择，有效地改善了系统性能；ma bei等人提出了基于不完全信道状态信息(channel state information，csi)的方法，以不同用户的服务质量作为约束条件得到了d2d用户和蜂窝通信链路的功率最小封闭解，并由此推导出了模式选择方案；刘金鑫等人提出了一种基于信干噪比(signal toinference plus noise ratio，sinr)的模式选择方案，其划定下行链路作为干扰区域，以sinr为约束，通过解决干扰抑制的方式来快速选择信道方案。在求解算法上，此类研究主要着眼于基于凸优化的数学模型，利用隐枚举法、匈牙利算法等传统算法求解，这类算法往往不利于实际应用，原因主要体现在两个方面：一是每次进行信道分配的时候都需要进行一次算法优化，这导致每次优化的复杂度都非常高。二是随着网络规模的增加，优化的复杂度呈现指数级增加。因此，需要进一步对d2d通信的模式选择进行优化，以实现优于传统算法的性能。

技术实现思路

1、鉴于上述，本发明的目的是提供一种面向d2d辅助电力物联网的模式选择方法与装置，创新性的引入了图神经网络(graph neural network，gnn)架构解决信道分配问题，利用图神经网络对d2d通信的模式选择进行优化并最大化系统吞吐量，进一步降低计算复杂度和提高计算速度，大幅提升通信系统的整体性能，在解决频谱资源紧张与通信干扰问题上具有较高的实际应用价值，并为未来的电力物联网通信系统提供了一种高效的解决方案。

2、为实现上述发明目的，本发明提供的技术方案如下：

3、第一方面，本发明实施例提供的一种面向d2d辅助电力物联网的模式选择方法，包括以下步骤：

4、基于电力网络中的d2d用户对和蜂窝用户计算出信道分配标签值，构建为训练数据集；

5、构建包括图构建模块、图卷积模块和分类决策模块的图神经网络模型，在图构建模块中将电力网络中的d2d用户对和蜂窝用户及其信道之间的干扰关系建模为图结构并将图结构中的节点特征和边特征编码为特征向量，在图卷积模块中利用图卷积神经网络将特征向量进行特征提取得到包括d2d用户对节点和蜂窝用户节点的节点隐状态，在分类决策模块中将节点隐状态输入分类器计算信道选择变量以确定选择的信道模式；

6、利用训练数据集和损失函数对图神经网络模型进行训练；

7、将训练好的图神经网络模型部署到基站进行信道模式选择并下发执行通信。

8、优选地，所述基于电力网络中的d2d用户对和蜂窝用户计算出信道分配标签值，构建为训练数据集，包括：

9、随机产生不同数量的d2d用户对和蜂窝用户，采用分支定界法计算出信道分配解作为正确的标签值，将所有d2d用户对和蜂窝用户及其对应的信道分配标签构建为训练数据集。

10、优选地，在图构建模块中将电力网络中的d2d用户对和蜂窝用户及其信道之间的干扰关系建模为图结构，包括：

11、采用节点建模方法，将电力网络中的d2d用户对和蜂窝用户建模为图的节点，将用户信道之间的干扰关系建模为图的边，最终构建的图结构是全连接的，即每个节点之间均存在干扰，节点特征为d2d用户对和蜂窝用户的发射功率和信道增益，边特征为干扰链路的信道状态以及干扰大小。

12、优选地，将图结构中的节点特征和边特征编码为特征向量，包括：

13、采用structure2vec图嵌入算法，基于图结构的邻接矩阵、节点特征和边特征计算得到每个节点的特征向量，具体的非线性迭代表达为：

14、

15、其中，表示节点v经过第t次迭代后的特征向量，初始化为零向量，γ(·)表示非线性操作，xv表示节点v的特征，表示其入边特征经过上次迭代后的隐状态，表示该节点的前驱邻点经过上次迭代后的隐状态，u表示图结构中所有节点集合n(v)中的第u个节点，e表示入边特征，{d2d,cu}表示d2d用户对和蜂窝用户的节点集合，structure2vec算法经过迭代后最终得到节点的特征向量hv。

16、优选地，所述在图卷积模块中利用图卷积神经网络将特征向量进行特征提取得到包括d2d用户对节点和蜂窝用户节点的节点隐状态，包括：

17、记矩阵h＝[hv]v∈{d2d,cu}表示特征编码后的所有节点的特征矩阵，其中hv表示节点v的特征向量，{d2d,cu}表示d2d用户对和蜂窝用户的节点集合；

18、图卷积神经网络采用聚合邻居节点的特征来更新节点的表示，公式表示为：

19、

20、其中，表示带自环的邻接矩阵，表示的度矩阵，h(l)表示图卷积神经网络第l层的节点特征矩阵，h(0)表示输入特征矩阵，即上一步特征编码的结果，w(l)表示图卷积神经网络第l层的权重矩阵并随着训练过程不断更新，σ代表非线性操作，随着训练进行，图卷积神经网络会以半监督学习的方式逐步学习到包括d2d用户对节点和蜂窝用户节点的节点隐状态h’v。

21、优选地，所述在分类决策模块中将节点隐状态输入分类器计算信道选择变量以确定选择的信道模式，包括：

22、采用深度神经网络构建n元分类器计算信道选择概率，n为蜂窝网络可利用的上行正交信道总数，公式表示如下：

23、

24、其中，p(v)表示节点v选择信道n的概率，h’v表示节点隐状态，表示信道n的权重向量，表示包括信道n的任一信道n’的权重向量，上标t表示转置；

25、在求得节点v选择所有信道的概率后，选取最大概率对应的信道作为节点v的信道选择结果，综合所有节点的信道选择结果最终构建为d2d用户对的信道选择变量ak,n和蜂窝用户的信道选择变量am,n，通过ak,n和am,n反映出每个d2d用户对和蜂窝用户的信道模式选择结果。

26、优选地，损失函数采用交叉熵损失函数公式表示为：

27、

28、其中，p(v)表示节点v选择信道n的概率预测值，q(v)表示节点v选择信道n的概率标签值，{d2d,cu}表示d2d用户对和蜂窝用户的节点集合，n表示蜂窝网络可利用的上行正交信道总数。

29、优选地，所述将训练好的图神经网络模型部署到基站进行信道模式选择并下发执行通信，包括：

30、终端信息采集：基站向各个终端发送导频，收集所有d2d用户对和蜂窝用户的信道状态信息；

31、基站处理：基站部署训练好的图神经网络模型，结合d2d用户对和蜂窝用户的信道状态和干扰信息，优化d2d用户对和蜂窝用户的模式选择，模式选择为专用模式或复用模式；

32、决策下发：基站将优化后的通信模式下发给各终端；

33、执行通信：各d2d用户对和蜂窝用户按照分配的模式执行通信。

34、第二方面，为实现上述发明目的，本发明实施例还提供了一种面向d2d辅助电力物联网的模式选择装置，利用上述的面向d2d辅助电力物联网的模式选择方法实现，包括：数据集构建模块、模型构建模块、模型训练模块和模型部署模块；

35、所述数据集构建模块用于基于电力网络中的d2d用户对和蜂窝用户计算出信道分配标签值，构建为训练数据集；

36、所述模型构建模块用于构建包括图构建模块、图卷积模块和分类决策模块的图神经网络模型，在图构建模块中将电力网络中的d2d用户对和蜂窝用户及其信道之间的干扰关系建模为图结构并将图结构中的节点特征和边特征编码为特征向量，在图卷积模块中利用图卷积神经网络将特征向量进行特征提取得到包括d2d用户对节点和蜂窝用户节点的节点隐状态，在分类决策模块中将节点隐状态输入分类器计算信道选择变量以确定选择的信道模式；

37、所述模型训练模块用于利用训练数据集和损失函数对图神经网络模型进行训练；

38、所述模型部署模块用于将训练好的图神经网络模型部署到基站进行信道模式选择并下发执行通信。

39、第三方面，为实现上述发明目的，本发明实施例还提供了一种电子设备，包括存储器和一种或多种处理器，所述存储器用于存储计算机程序，所述处理器用于当执行所述计算机程序时，实现上述的面向d2d辅助电力物联网的模式选择方法。

40、与现有技术相比，本发明具有的有益效果至少包括：

41、(1)频谱利用率提升：通过模式选择，能够在合适场景下选择复用模式，从而显著提升系统的频谱利用率，从而提高通信网络的整体吞吐量。

42、(2)减少系统干扰：采用图神经网络算法对d2d通信模式进行优化，能够有效降低d2d通信与蜂窝用户之间的干扰，保证通信系统的服务质量(qos)。

43、(3)计算复杂度降低：相比传统的优化方法(如隐枚举法和匈牙利算法)，图神经网络模型能够以较低的复杂度进行模式选择，尤其适用于网络规模较大的场景。

44、(4)系统吞吐量提升：通过结合专用模式与复用模式的优化选择，能够显著提升系统的整体通信速率，使得系统在复杂通信环境下具备更好的吞吐量表现。

45、(5)系统规模扩大时效果更加显著：由于图神经网络训练的特殊性，系统规模增加时，仅仅对应图神经网络节点数的增加，能够借鉴小规模训练的参数从而避免复杂度的增加，降低训练成本。