[发明专利]移动边缘计算网络中的用户状态感知方法及相关设备

说明书

本公开提供了一种移动边缘计算网络中的用户状态感知方法及相关设备，该方法包括：通过在用户终端设备中预设的深度强化学习模型确定感知策略，所述感知策略为采样或不采样；响应于确定所述感知策略为采样，所述用户终端设备向基站发送上传数据请求；响应于接收到所述上传数据请求，所述基站基于历史基站侧信息年龄从所有发送所述上传数据请求的所述用户终端设备中确定上传设备集；所述上传设备集中的用户终端设备分别向所述基站发送各自的当前感知数据，所述基站将所述当前感知数据发送给移动边缘计算服务器。本公开通过用户状态信息的自感知、基站上行子载波方案的优化，更高效地利用网络资源、降低移动终端的业务处理时延。

技术领域

本公开涉及通信技术领域，尤其涉及一种移动边缘计算网络中的用户状态感知方法及相关设备。

背景技术

移动边缘计算(Mobile Edge Computing,MEC)技术通过将计算存储能力与业务能力向网络边缘迁移，尽可能不用将数据回传到云端，减少数据往返云端的等待时间和网络成本。MEC将云计算和云存储拉近到网络边缘后，可以创造出一个具备高性能、低延迟与高带宽的电信级服务环境，加速网络中各项内容、服务及应用的分发和下载，让消费者享有更高质量网络体验。MEC服务器对用户状态的准确感知能够充分利用有限的带宽资源，减少网络资源的浪费。

目前，现有方案依据采样的时延指标对用户设备的感知方案进行优化，虽然能够保证每个用户设备获得较为平均的采样机会和资源分配方案，但是由于不同用户设备的物理过程不同，均一的采样频率会导致网络资源的浪费，造成MEC服务器无法准确感知每一用户设备的动态过程。

发明内容

有鉴于此，本公开的目的在于提出一种移动边缘计算网络中的用户状态感知方法及相关设备。

基于上述目的，本公开提供了一种移动边缘计算网络中的用户状态感知方法，包括：

通过在用户终端设备中预设的深度强化学习模型确定感知策略，所述感知策略为采样或不采样；

响应于确定所述感知策略为采样，所述用户终端设备向基站发送上传数据请求；

响应于接收到所述上传数据请求，所述基站基于历史基站侧信息年龄从所有发送所述上传数据请求的所述用户终端设备中确定上传设备集；

所述上传设备集中的用户终端设备分别向所述基站发送各自的当前感知数据，所述基站将所述当前感知数据发送给移动边缘计算服务器。

进一步的，所述移动边缘计算服务器基于所述当前感知数据对所述感知策略进行评估，并将评估结果经由所述基站发送给所有所述用户终端设备；所述用户终端设备基于所述评估结果调整所述感知策略。

进一步的，所述通过在用户终端设备中预设的深度强化学习模型确定感知策略，包括:基于所述用户终端设备的历史感知数据和当前感知数据，计算得到所述用户终端设备信息年龄，基于所述用户终端设备信息年龄确定所述感知策略。

进一步的，所述基站基于历史基站侧信息年龄从所有发送所述上传数据请求的所述用户终端设备中确定上传设备集，包括：将所述历史基站侧信息年龄从大到小进行排序，选取前k个所述历史基站侧信息年龄对应的所述用户终端设备作为上传设备集，将所述基站的子载波分配给所述上传设备集中的用户终端设备以上传所述当前感知数据，其中k为所述基站的子载波数量。

进一步的，所述移动边缘计算服务器基于所述当前感知数据对所述感知策略进行评估，包括：所述移动边缘计算服务器基于所述历史基站侧信息年龄和所述当前感知数据计算当前基站侧信息年龄。

进一步的，其中，所述用户终端设备基于所述评估结果调整所述感知策略，包括：所述用户终端设备将所述评估结果输入所述深度强化学习模型，以输出新的感知策略。

基于同一发明构思，本公开提供了一种移动边缘计算网络中的用户状态感知装置，包括：