[发明专利]基于分层联邦学习的无人机小基站集群RAN切片方法

说明书

本发明针对无人机小基站集群为地面用户提供差异化服务的场景，提出一种基于分层联邦学习的无人机小基站集群RAN切片方法基于分层联邦学习的动态RAN切片框架，以提升切片性能隔离效果、减少协同训练过程的通信代价。首先，考虑到无人机动态部署和数据不足等特点，通过数据增广促进本地模型训练。然后，根据位置和数据分布信息，设计面向无人机集群的分簇策略，支持边缘模型聚合，使得边缘的成员无人机有更多机会参与联邦学习并降低通信代价。最后，探索基于注意力机制的边缘和全局模型聚合方案，增强全局联邦学习模型的泛化能力。仿真结果表明，同典型分布式机器学习方法相比，本发明能够提升切片性能隔离效果，降低无人机协同训练的通信代价。

技术领域

本发明属于计算机通信技术领域，具体是一种基于分层联邦学习的无人机小基站集群RAN切片方法

背景技术

第五代移动通信系统(5G)支持多样化应用场景，促使数以百亿计的物联网设备接入网络^[1]，对资源提供和服务质量(QoS，Quality of Service)保障提出了更高的要求。尽管地面5G无线接入网(RAN，Radio Access Networks)可以基本满足大多数应用的服务需求，但在缺乏基础设施的情况下或出现节假日聚集活动、举办重要赛事等临时性热点时，地面RAN便显得力不从心。此时，配置有无线收发装置和边缘计算模块的无人机形成的空中小基站(drone-small-cell)^[2]可以拓展网络覆盖范围和缓解资源分配压力，满足在突发或临时情况下终端设备的服务需求。由于单一无人机的局限性，未来无人机小基站将以集群方式共同为地面用户提供服务^[3]，这种方式已成为后5G和6G RAN的重要组成部分。

RAN切片是5G网络和可扩展网络架构中重要的使能技术之一，可以根据客户需求提供定制化服务^[4]。RAN切片将共享的物理无线网络分割成多个隔离的逻辑网络，为用户动态、弹性地分配网络资源^[5]。在通信网络发展过程中，一个自然的步骤是将RAN切片“延伸”至无人机小基站，使其可以支持多样化的服务。机器学习方法能够对资源需求数据进行更高层次、更抽象的表达，成为解决RAN切片中复杂决策问题的重要手段。在切片资源分配方面，机器学习方法可以根据网络态势变化准确地预测用户的切片资源需求^[6]，还可以实现多时间尺度资源分配^[7]和自适应的资源调度^[8]，但现有RAN切片方案大多针对地面网络设计。

与地面基站不同，无人机小基站计算和存储能力有限，决定了其难以长时间进行复杂模型的训练。另一方面，由于动态部署特性，无人机小基站很难在有限时间内收集到足够的数据，限制了本地模型的质量提升。近年来，研究人员对无人机辅助的RAN切片进行了探讨，包括根据QoS要求对无人机应用分类^[9]、定制针对特定QoS要求的逻辑无人机网络^[10]、根据资源的使用次序评估切片的优先级^[11]、优化切片的频谱效率^[12]等，为地面用户提供差异化的QoS支持。然而，如何针对无人机小基站集群设计有效的RAN切片架构还有待进一步研究。

作为一种典型的分布式协同训练框架，联邦学习(FL，Federated Learning)支持跨域模型聚合。FL框架为提升无人机小基站集群整体模型质量开辟了新途径。直觉上，各无人机小基站在本地模型训练完成后，只需将模型参数上载至中心控制器用于全局模型聚合，便可以显著提升模型质量^[13]。事实上，联邦学习与无人机集群的高效融合仍然面临着诸多挑战，主要包括以下三个问题：