数字孪生网络低时延高可靠传输方法、装置、设备及介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114125785A(43)申请公布日2022.03.01(21)申请号202111370664.3H04L67/1095(2022.01)(22)申请日2021.11.18H04L67/12(2022.01)(71)申请人清华大学地址100084北京市海淀区清华园(72)发明人曾捷周世东宋雨欣武腾骆杰张秀军赵明(74)专利代理机构北京清亦华知识产权代理事务所(普通合伙)11201代理人花丽(51)Int.Cl.H04W4/70(2018.01)H04W16/22(2009.01)H04W24/02(2009.01)H04W24/04(2009.01)H04L5/00(2006.01)权利要求书2页说明书10页附图3页(54)发明名称数字孪生网络低时延高可靠传输方法、装置、设备及介质(57)摘要本申请涉及无线通信技术领域，特别涉及一种数字孪生网络低时延高可靠传输方法、装置、设备及介质，其中，方法包括：同步终端设备生成的运行数据和APs上运行的数字孪生体，并由终端设备选择的目标AP创建相应的数字孪生体；接收终端设备发送的信号，使得各AP聚合覆盖范围内自身接收到的多个终端设备传输的数字孪生体，训练局部模型；通过CPU进行集中处理所有AP发送的信号，确定用于优化的加权系数，并采集所有运行数字孪生APs的模型参数，分析局部模型的更新范式，基于APs训练后的数字孪生体聚合数据不断迭代更新全局模型。由此，提高系统人工智能算法效率及资源利用效率并减弱终端设备与服务器间的无线连接干扰。CN114125785ACN114125785A权利要求书1/2页1.一种数字孪生网络低时延高可靠传输方法，其特征在于，包括以下步骤：同步终端设备生成的运行数据和APs上运行的数字孪生体，并由所述终端设备选择的目标AP创建相应的数字孪生体；接收所述终端设备发送的信号，使得各AP聚合覆盖范围内自身接收到的多个终端设备传输的数字孪生体，训练局部模型；通过CPU进行集中处理所有AP发送的信号，确定用于优化的加权系数，并采集所有运行数字孪生APs的模型参数，分析局部模型的更新范式，基于APs训练后的数字孪生体聚合数据不断迭代更新全局模型。2.根据权利要求1所述的方法，其特征在于，还包括：在每次迭代过程中，将机器学习模型参数分配至所述APs进行训练，使得所述APs根据所述数字孪生体实时传输的数据进行训练模型，并将模型参数返回至所述CPU进行迭代更新。3.根据权利要求1所述的方法，其特征在于，所述目标AP与所述相应的数字孪生体之间的互联关系<DTk,APm>表示为：Δ(k,m)＝f(Dk,cm,Rk,m)，其中，DTk为APs上运行的数字孪生体，APm为第m个接入点，m为正整数，Dk为第k个终端设备的数据，k为正整数，cm为所述第m个接入点的计算能力，Rk,m是所述第k个终端设备与所述第m个接入点的传输速率。4.根据权利要求1所述的方法，其特征在于，所述终端设备发送的信号为：其中，与分别为所述第m个接入点接收的导频信号与数据信号，为所述终(p)(d)端设备的平均发送功率，Gm是终端设备与所述第m个接入点的信道状态信息矩阵，X与X为所述终端设备的发送信号，为噪声与其他干扰。5.根据权利要求1所述的方法，其特征在于，所述使得各AP聚合覆盖范围内自身接收到的多个终端设备传输的数字孪生体，训练局部模型，包括：利用预设的梯度下降法，以预设的学习速率最小化局部数据上的损失函数，并将局部梯度或局部模型传输至所述CPU。6.根据权利要求1所述的方法，其特征在于，所述采集所有运行数字孪生APs的模型参数，分析局部模型的更新范式，包括：基于多个数字孪生体传输的数据训练并更新全局模型，并基于梯度下降法，确定可最小化全局损失函数的参数，不断更新全局模型，得到更新后的全局模型。7.一种数字孪生网络低时延高可靠传输装置，其特征在于，包括：创建模块，用于同步终端设备生成的运行数据和APs上运行的数字孪生体，并由所述终端设备选择的目标AP创建相应的数字孪生体；训练模块，用于接收所述终端设备发送的信号，使得各AP聚合覆盖范围内自身接收到的多个终端设备传输的数字孪生体，训练局部模型；传输模块，用于通过CPU进行集中处理所有AP发送的信号，确定用于优化的加权系数，2CN114125785A权利要求书2/2页并采集所有运行数字孪生APs的模型参数，分析局部模型的更新范式，基于APs训练后的数字孪生体聚合数据不断迭代更新全局模型。8.根据权利要求7所述的装置，其特征在于，还包括：更新模块，用于在每次迭代过程中，将机器学习模型参数分配至所述APs进行训练，使得所述APs根据所述数字孪生体实时传输的数据进行训练模型，并将模型参数返回至所述CP