本發(fā)明涉及無線通信，具體而言，尤其涉及一種基于graphormer的開放式無小區(qū)接入網(wǎng)基帶算力與通信資源聯(lián)合優(yōu)化方法。
背景技術(shù)：
1、開放式無線接入網(wǎng)絡(luò)（open?radio?access?networks,?o-ran）與無蜂窩大規(guī)模多輸入多輸出（cell-free?massivemultiple-input?multiple-output,?cf-mmimo）已成為下一代無線系統(tǒng)的關(guān)鍵技術(shù)，其中o-ran代表新型組網(wǎng)技術(shù)，而cf-mmimo則作為新型空口接入技術(shù)。o-ran通過功能切分提供了靈活、可互操作且智能的網(wǎng)絡(luò)架構(gòu)，借助解耦與虛擬化實現(xiàn)了高效資源管理和多廠商互操作性。cf-mmimo通過支持全網(wǎng)用戶協(xié)作，消除了小區(qū)邊界，確保了均勻覆蓋與服務(wù)品質(zhì)，從而提升了頻譜效率（spectral?efficiency,?se）與能源效率（energy?efficiency,?能量效率）。開放式無小區(qū)無線接入網(wǎng)絡(luò)（cell-free?open?radioaccess?network,?cf?o-ran）結(jié)合了o-ran與cf-mmimo的優(yōu)勢，通過虛擬化架構(gòu)實現(xiàn)了靈活協(xié)同、高效資源利用及節(jié)能的網(wǎng)絡(luò)運營。然而，由于開放射頻單元（open?radio?units,?o-ru）與開放分布式單元（open?distributedunit,?o-du）間前傳容量有限，每個服務(wù)所有用戶設(shè)備（user?equipment,?ue）的o-ru可能會引入顯著的量化噪聲，從而降低頻譜效率。此外，由于多個o-ru在同一時頻資源上服務(wù)ue，用戶間干擾成為限制頻譜效率的主導因素。同時，受限的基帶計算能力制約了頻譜效率和可接入ue數(shù)量。這些限制共同降低了整體能量效率。因此，抑制有限前傳容量引起的量化噪聲，并在受限基帶計算能力下協(xié)調(diào)用戶間干擾，對于提升cf?o-ran的能量效率至關(guān)重要。在o-ran架構(gòu)中，基帶計算采用通用處理器（general-purpose?processor,?gpp）執(zhí)行，其計算能力通常以每秒操作數(shù)（operationspersecond,?ops）衡量。因此，需合理選擇激活的gpp數(shù)量以平衡功耗與頻譜效率。
2、下一代無線系統(tǒng)所需數(shù)據(jù)速率的提升不應(yīng)以功耗成比例增加為代價。因此，需要聯(lián)合優(yōu)化用戶關(guān)聯(lián)（user?association,?ua）、功率控制（power?control,?pc）和gpp激活，以降低量化噪聲和用戶間干擾，并最小化功耗以實現(xiàn)能量效率最大化。然而，用戶關(guān)聯(lián)、功率控制與gpp激活的聯(lián)合優(yōu)化在實際中求解具有挑戰(zhàn)性。該問題可表述為混合整數(shù)非線性規(guī)劃問題，其中密集的o-ru部署、二元用戶關(guān)聯(lián)決策、連續(xù)功率控制變量和整數(shù)型gpp激活變量導致了龐大且非凸的搜索空間。傳統(tǒng)迭代優(yōu)化方法難以高效求解此問題，因為該優(yōu)化問題非凸且涉及混合整數(shù)變量。此外，這些方法計算成本高，無法在動態(tài)網(wǎng)絡(luò)條件下實時運行。近年來，基于神經(jīng)網(wǎng)絡(luò)的“學習優(yōu)化”方法因其能實現(xiàn)數(shù)據(jù)驅(qū)動的優(yōu)化、具備高計算效率和接近最優(yōu)的性能，已成為無線資源調(diào)度領(lǐng)域的有前景的框架。圖神經(jīng)網(wǎng)絡(luò)（graph?neuralnetworks,?gnn）是專為圖結(jié)構(gòu)數(shù)據(jù)設(shè)計的神經(jīng)網(wǎng)絡(luò)，能捕捉無線網(wǎng)絡(luò)中的拓撲依賴關(guān)系。憑借其可擴展性、泛化性和高學習效率，gnn作為“學習優(yōu)化“框架中的基礎(chǔ)，用于解決無線網(wǎng)絡(luò)中的結(jié)構(gòu)化優(yōu)化問題。因此，設(shè)計基于gnn的用戶關(guān)聯(lián)、功率控制與gpp激活方法至關(guān)重要，該方法應(yīng)能降低量化噪聲、協(xié)調(diào)用戶間干擾并最小化功耗，從而在cf?o-ran中實現(xiàn)更高的能量效率。
技術(shù)實現(xiàn)思路
1、根據(jù)上述提出的技術(shù)問題，本發(fā)明采用如下技術(shù)手段：一種基于graphormer的開放式無小區(qū)接入網(wǎng)基帶算力與通信資源聯(lián)合優(yōu)化方法，包括如下步驟：
2、一種基于graphormer的開放式無小區(qū)接入網(wǎng)基帶算力與通信資源聯(lián)合優(yōu)化方法，其特征在于，包括如下步驟：
3、構(gòu)建開放式無小區(qū)無線接入網(wǎng)絡(luò)，基于開放射頻單元、開放分布式單元和用戶終端之間的數(shù)據(jù)傳輸關(guān)系，再構(gòu)建開放式無小區(qū)無線接入網(wǎng)絡(luò)的能量效率最大化問題；
4、構(gòu)建基于graphormer的圖神經(jīng)網(wǎng)絡(luò)；
5、采用圖結(jié)構(gòu)數(shù)據(jù)對基于graphormer的圖神經(jīng)網(wǎng)絡(luò)進行訓練，得到訓練好的圖神經(jīng)網(wǎng)絡(luò)；
6、基于訓練好的圖神經(jīng)網(wǎng)絡(luò)對對開放式無小區(qū)無線接入網(wǎng)絡(luò)的能量效率最大化問題進行求解，得到開放式無小區(qū)無線接入網(wǎng)絡(luò)功率分配的初始結(jié)果；
7、采用基于閾值的決策規(guī)則算法對開放式無小區(qū)無線接入網(wǎng)絡(luò)功率分配的初始結(jié)果進行求解，得到用戶關(guān)聯(lián)變量和功率控制變量的求解結(jié)果；
8、采用基帶計算運算量統(tǒng)計方法，結(jié)合用戶關(guān)聯(lián)變量和功率控制變量的結(jié)果，計算得到開放射頻單元需要激活的通用處理器的數(shù)量，實現(xiàn)開放式無小區(qū)無線接入網(wǎng)絡(luò)接入網(wǎng)基帶算力與通信資源的聯(lián)合優(yōu)化。
9、進一步地，所述開放式無小區(qū)無線接入網(wǎng)絡(luò)的能量效率最大化問題的表達式如下：
10、
11、其中，是ue k的遍歷可達頻譜效率，是o-ru m處功耗，：子載波數(shù)量；每個子載波帶寬；k表示用戶數(shù)量，花體k表示用戶集合；m表示o-ru數(shù)量；m表示編號為m的o-ru；k表示編號為k的ue；
12、c1約束表示o-ru?m處的運算量應(yīng)不超過其所激活的gpp能提供的最大值；
13、c2約束表示o-ru?m處最多可激活個gpp；
14、c3表示o-ru?m為ue分配的發(fā)射功率之和不能超過最大發(fā)射功率；c4約束表示o-ru m為ue分配的發(fā)射功率取值范圍約束；
15、c5約束是用戶關(guān)聯(lián)變量的二進制約束。
16、進一步地，所述基于graphormer的圖神經(jīng)網(wǎng)絡(luò)包括:
17、預(yù)處理層，用于使用不同的mlp分別將o-ru通信節(jié)點特征、o-ru計算節(jié)點特征、ue節(jié)點特征、通信邊特征以及計算邊特征從2維映射到 d維;
18、基于注意力機制的消息傳遞層，用于接收所述預(yù)處理層傳送的o-ru通信節(jié)點、o-ru計算節(jié)點、ue節(jié)點、通信邊以及計算邊的預(yù)處理后的特征向量，并更新o-ru通信節(jié)點特征、o-ru計算節(jié)點特征和ue節(jié)點特征；
19、圖融合層，用于接收所述消息傳遞層傳送的o-ru通信節(jié)點特征、o-ru計算節(jié)點特征、ue節(jié)點特征使用消息傳遞機制更新的特征向量，并將o-ru m通信節(jié)點和計算節(jié)點融合為o-ru節(jié)點，通信邊和計算邊融合為邊，多類型特征的異構(gòu)圖轉(zhuǎn)化為異構(gòu)無向二部圖；
20、graphormer層，用于接收所述圖融合層傳送的o-ru節(jié)點，ue節(jié)點使用圖融合機制更新的特征向量，并進一步更新o-ru節(jié)點特征和ue節(jié)點特征；
21、后處理層，用于接收所述graphormer層傳送的更新后的o-ru節(jié)點特征和ue節(jié)點特征，對節(jié)點特征和邊特征進行處理，得到初始功率分配的結(jié)果。
22、進一步地，在預(yù)處理層，使用下列公式：
23、
24、
25、
26、
27、
28、其中：在圖建模中有；r表示o-ru；c表示communication,通信；pre表示preprocess，預(yù)處理;p表示compute，計算；u表示用戶設(shè)備。
29、進一步地，在基于注意力機制的消息傳遞層，使用下列公式：
30、
31、
32、
33、其中表示對節(jié)點取一階鄰居運算；為了更新o-ru m通信節(jié)點特征，其鄰接通信邊上的特征通過注意力機制加權(quán)后進行求和，將求和結(jié)果通過進行處理，并將處理后的結(jié)果與預(yù)處理層輸出的o-ru m通信節(jié)點特征相加，o-ru m計算節(jié)點特征和ue k節(jié)點特征的更新也采用基于注意力機制的消息傳遞層；
34、在ue k節(jié)點特征更新中，需要分別聚合和處理通信邊上的特征與計算邊上的特征，且為可學習的向量，用于實現(xiàn)ue節(jié)點類型編碼機制，以與o-ru節(jié)點進行區(qū)分，其中，注意力系數(shù)計算方式為：
35、
36、其中，d表示分母中求和的索引變量。
37、進一步地，所述融合層，用于接收所述消息傳遞層傳送的o-ru通信節(jié)點，o-ru計算節(jié)點，ue節(jié)點使用消息傳遞機制更新的特征向量，并將o-ru m通信節(jié)點和計算節(jié)點融合為o-ru節(jié)點，通信邊和計算邊融合為邊，多類型特征的異構(gòu)圖轉(zhuǎn)化為異構(gòu)無向二部圖的過程如下：
38、o-ru m通信節(jié)點和計算節(jié)點融合為o-ru節(jié)點，通信邊和計算邊融合為邊，多類型特征的異構(gòu)圖轉(zhuǎn)化為異構(gòu)無向二部圖；圖可定義為，節(jié)點集合由o-ru節(jié)點集合和ue節(jié)點集合組成，邊集合定義為；基于所設(shè)計的注意力機制，將o-ru m通信節(jié)點特征和計算節(jié)點特征融合為o-ru節(jié)點特征，將通信邊和計算邊融合為邊特征，表示為：
39、
40、
41、其中，用于實現(xiàn)o-ru節(jié)點類型編碼機制，來與ue節(jié)點做區(qū)分，同時區(qū)分不同o-ru節(jié)點之間的算力;
42、上述公式中的注意力系數(shù)的計算過程如下：
43、
44、
45、。
46、進一步地，所述graphormer層，用于接收所述圖融合層傳送的o-ru節(jié)點，ue節(jié)點使用圖融合機制更新的特征向量，并進一步更新o-ru節(jié)點特征和ue節(jié)點特征的過程如下：
47、定義o-ru節(jié)點特征矩陣為，定義ue節(jié)點特征矩陣為，定義為圖融合層輸出的節(jié)點特征矩陣，使用 l層graphormer來進一步更新節(jié)點特征，其架構(gòu)建立在transformer架構(gòu)上，表示為：
48、
49、其中，ln表示層歸一化，為帶有殘差連接的第 l層mha子層輸出的節(jié)點特征，ffn表示前向神經(jīng)網(wǎng)絡(luò)，為第 l層graphormer輸出的節(jié)點特征，為graphormer層數(shù)，第 l層graphormer通過mha注意力機制更新節(jié)點特征［8］，第 h個注意力頭中注意力系數(shù)的計算可表示為：
50、
51、
52、其中，表示中任意兩個節(jié)點，為投影特征的矩陣，表示表示對索引的所有節(jié)點做softmax，中第一項為傳統(tǒng)的自注意力機制，中第二項通過空間編碼機制獲得，其被所有g(shù)raphormer層共享，表示為：
53、
54、其中，表示和之間的最短跳數(shù)，中第三項是通過邊編碼機制獲得的，其被所有g(shù)raphormer層共享，表示為：
55、
56、其中，表示和的最短路徑中的邊，為圖融合層輸出的邊特征；路徑的總權(quán)重被計算為沿著路徑的邊上的大尺度衰落系數(shù)之和，，是兩個可學習的向量；
57、經(jīng)過 l層graphormer后，定義為o-ru節(jié)點特征矩陣，定義ue節(jié)點特征矩陣為；
58、定義表示所有?o-ru?的總發(fā)射功率組成的向量，其中表示o-ru m的總發(fā)射功率；定義由所有o-ru發(fā)射功率分配比例組成的矩陣為，其元素表示o-ru m為ue k所分配的發(fā)射功率比例，故o-ru m為ue k所分配的發(fā)射功率為，其中。
59、進一步地，所述后處理層，用于接收所述graphormer層傳送的更新后的o-ru節(jié)點特征和ue節(jié)點特征，對節(jié)點特征和邊特征進行處理，得到初始功率分配的結(jié)果的過程如下：
60、處理特征得到o-ru m的總發(fā)射功率，聯(lián)合處理特征得到o-ru m為ue k所分配的發(fā)射功率比例，作為的輸出，o-ru m的總發(fā)射功率表示為：
61、
62、上述處理保證了，作為邊的輸出，o-ru m為ue k分配的發(fā)射功率比例計算方式為：
63、
64、
65、其中，表示拼接操作，softmax函數(shù)保證了。
66、進一步地，所述采用基于閾值的決策規(guī)則算法對開放式無小區(qū)無線接入網(wǎng)絡(luò)功率分配的初始結(jié)果進行求解，得到用戶關(guān)聯(lián)變量和功率控制變量求解結(jié)果的過程如下：
67、用戶關(guān)聯(lián)變量的計算方式為：
68、
69、其中，表示最小發(fā)射功率閾值，以確保只有具有充足發(fā)射功率的鏈路才被保留；
70、功率控制變量的計算為：
71、
72、采用基帶計算運算量統(tǒng)計方法，結(jié)合用戶關(guān)聯(lián)變量和功率控制變量的結(jié)果，計算得到開放射頻單元需要激活的通用處理器的數(shù)量，具體如下：
73、在得到用戶關(guān)聯(lián)和功率控制變量后，計算出每個ue的下行遍歷鏈路頻譜效率，進而計算得到o-ru m所需要的運算量，之后，o-ru m需要激活的gpp數(shù)量計算為：
74、。
75、進一步地，所述基于graphormer的圖神經(jīng)網(wǎng)絡(luò)損失函數(shù)定義為：
76、
77、其中，為一個超參數(shù)，是用于平衡能量效率與o-ru處激活?gpp數(shù)量有限約束的超參數(shù)，是所提閾值的決策規(guī)則算法的參數(shù)，通過輸出功率控制變量、用戶關(guān)聯(lián)變量以及gpp激活的結(jié)果來影響損失函數(shù)，其更新規(guī)則為，其中，為用來控制參數(shù)更新時的步長。
78、本發(fā)明一種基于graphormer的開放式無小區(qū)接入網(wǎng)基帶算力與通信資源聯(lián)合優(yōu)化方法具有以下優(yōu)點：
79、第一，在建模與優(yōu)化層面，實現(xiàn)了更全面、更精準的系統(tǒng)刻畫與優(yōu)化目標。
80、傳統(tǒng)方案往往側(cè)重通信層面的資源分配，而本方案提出的?“計算感知”無蜂窩o-ran，創(chuàng)新性地將受限的計算資源（gpp）?與前傳容量、信道估計誤差等現(xiàn)實約束統(tǒng)一建模。這使得優(yōu)化問題（最大化能量效率）更貼合o-ran開放化、虛擬化的實際部署場景，避免了因忽略計算瓶頸而導致的理論方案在實際中性能驟降的問題，從而得出的優(yōu)化策略實用性更強、部署可行性更高。
81、第二，在求解方法層面，提供了一種高效、智能的聯(lián)合優(yōu)化新途徑。
82、面對用戶關(guān)聯(lián)、功率控制和計算資源激活這一高維、非凸、強耦合的復(fù)雜聯(lián)合優(yōu)化問題，傳統(tǒng)基于迭代或分解的數(shù)學優(yōu)化方法通常計算復(fù)雜度高，難以實時求解。本方案首創(chuàng)性地將問題映射到異質(zhì)圖上，并設(shè)計了專用的mfa-hgnn圖神經(jīng)網(wǎng)絡(luò)架構(gòu)進行求解。這種數(shù)據(jù)驅(qū)動的方法能夠通過離線訓練、在線推理的方式，大幅降低實時決策的計算延遲，滿足網(wǎng)絡(luò)動態(tài)變化的實時性要求。同時，注意力圖融合層等設(shè)計有效控制了復(fù)雜度，提升了求解效率。
83、第三，在系統(tǒng)設(shè)計與工程實現(xiàn)層面，為o-ran智能化提供了有前景的架構(gòu)參考。本技術(shù)技術(shù)方案將通信領(lǐng)域的專家知識（系統(tǒng)與約束）與人工智能領(lǐng)域的先進工具（圖神經(jīng)網(wǎng)絡(luò)）深度融合，示范了如何利用ai原生方法解決新型無線網(wǎng)絡(luò)中的核心資源管理問題。它為o-ran?ran智能控制器（ric）中的xapps開發(fā)提供了新穎的設(shè)計范式，即通過圖表示學習來理解和優(yōu)化復(fù)雜的網(wǎng)絡(luò)交互，推動網(wǎng)絡(luò)管理向更智能、更自主的方向演進。