基于無線射頻供能的端邊協同智能任務推理機制

摘 要：針對云側進行智能任務推理時帶寬需求高與實時性差、端側設備計算能力與能量受限的問題，在端側設備處引入無線射頻供能技術以實現端側設備獨立供能，進而提出了基于無線射頻供能的端邊協同智能任務推理機制，以最大化端側設備智能任務推理完成率。構建端側設備能量收集和端邊協同推理模型。考慮端側設備射頻（ＲａｄｉｏＦｒｅｑｕｅｎｃｙ，ＲＦ）能量收集時間與端邊協同智能任務推理時間約束、端側設備傳輸功率與可使用能量約束及邊緣側計算資源約束，最大化智能推理任務完成數量。提出了一種基于深度確定性策略梯度（Ｄｅｅｐ Ｄｅｔｅｒｍｉｎｉｓｔｉｃ Ｐｏｌｉｃｙ Ｇｒａｄｉｅｎｔ，ＤＤＰＧ）的深度神經網絡（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＤＮＮ）模型分割與通信計算資源聯合優化算法，以得到最優的端側設備射頻能量采集時間、端側設備傳輸功率、ＤＮＮ 模型分割點和邊緣計算資源分配。仿真結果表明，所提算法可有效提高智能任務推理完成率，且明顯優于其他對比算法。

關鍵詞：無線射頻供能；端邊協同；智能任務推理；深度確定性策略梯度

中圖分類號：ＴＮ９１９． ２３ 文獻標志碼：Ａ 開放科學（資源服務）標識碼（ＯＳＩＤ）：

文章編號：１００３－３１１４（２０２４）０３－０５１０－０９

０ 引言

隨著移動通信與人工智能（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ，ＡＩ）技術的快速發展，國際電信聯盟在《ＩＭＴ 面向２０３０ 及未來發展的框架和總體目標建議書》中明確提出６Ｇ 典型應用場景，其中通信與ＡＩ 融合的典型應用場景將支持分布式計算和ＡＩ 驅動應用，例如輔助自動駕駛、輔助協作機器人等，將ＡＩ 與通信融合，實現智能通信［１］。

當前，部分邊緣終端設備開始或多或少地具備執行智能任務的算力和架構，可以支持“學而后做”的工作模式［２］。例如，智能設備可通過配置深度神經網絡（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＤＮＮ）完成數據的計算與分析［３］，如人臉識別、自然語言理解、增強現實等［４－５］。然而，由于端側設備在計算、存儲和能量等方面的能力受限，難以直接執行基于ＤＮＮ 模型的計算資源密集型需求的智能任務推理。雖然云端具有強大的計算能力可以滿足執行基于ＤＮＮ 推理任務的計算需求，但是云服務器距離端側設備較遠，不僅需要大量的網絡傳輸資源支持智能任務的卸載，而且傳輸過程中的高延遲難以滿足端側設備智能任務實時推理需求［６］。

為了解決上述問題，邊緣智能技術應運而生［６－７］，邊緣智能結合了邊緣計算和ＡＩ 技術的優勢，將數據分析、場景感知、實時決策等功能擴展到網絡的邊緣側，滿足了如敏捷連接、實時業務處理、數據優化、應用智能等的需求，對提高系統效率和服務響應速度、進行調度優化具有重要意義。ＤＮＮ 具有分層結構，且每層輸出的中間結果數據量比原始輸入的數據量小得多［８］。基于ＤＮＮ 的結構特性，文獻［９－１０］提出智能任務驅動的端邊協同服務模式，充分利用本地計算近與邊緣計算強的優勢，達到節省帶寬、降低延遲并提高隱私的目的。在端邊協同服務模式中，令ＤＮＮ 任務的前幾層推理在本地端側設備執行，并將中間結果經無線鏈路傳輸至邊緣服務器，剩余的ＤＮＮ 層在邊緣其余部分推理［１１］。

盡管端邊協同的服務模式可以支持端側設備執行智能任務推理，然而有限的電池容量會限制端邊協同推理性能，任務將在電池電量耗盡時中斷。在端邊協同智能任務推理系統中，如何在完成智能任務推理的同時，達到綠色低碳的目的，成為亟待解決的問題。能量收集技術通過將可再生能源或射頻能量轉化為可供智能設備使用的電能，成為綠色通信的關鍵使能技術之一［１２－１４］。隨著綠色計算的提出和能量收集技術的不斷進步，為了滿足智能設備的能量需求，文獻［１５］提出可以將無線供電通信網絡技術（Ｗｉｒｅｌｅｓｓ Ｐｏｗｅｒｅｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｎｅｔｗｏｒｋ，ＷＰＣＮ）應用于基站（Ｂａｓｅ Ｓｔａｔｉｏｎ，ＢＳ）和設備端，智能設備可以收集ＢＳ／ 接入點發送的射頻（ＲａｄｉｏＦｒｅｑｕｅｎｃｙ，ＲＦ）能量以執行ＤＮＮ 智能任務推理或中間特征值傳輸。

文獻［１６］基于計算量、內存和通信開銷三方面進行定量分析，在傳統的基于工作負載的分割方案上提出基于卷積核的分割方案，該方案具有更低的內存占用和能量消耗。文獻［１７］應用強化學習，聯合優化了分層邊緣－云系統的ＤＮＮ 任務劃分和計算資源分配，同時保證邊緣服務器和中心云的能耗在其能源預算范圍內。文獻［１８］基于ＡｃｔｏｒＣｒｉｔｉｃ策略提出了一種分布式的ＤＮＮ 計算框架，可以在物聯網中以最佳延遲提供多個基于ＤＮＮ 的應用。文獻［１９］提出了一種資源感知的ＤＮＮ 任務劃分方法，根據特定邊緣設備的可用資源性質和規模，靈活地對ＤＮＮ 進行任務劃分。文獻［２０］針對單服務器多用戶的ＭＥＣ 網絡基于博弈論提出了任務劃分和卸載的聯合設計方案，以使用戶成本最小化。上述工作優化了邊緣智能網絡的延遲和能耗，但是沒有考慮智能設備的能量限制。文獻［２１］研究了使用可再生能源ＭＥＣ 網絡，應用Ｌｙａｐｕｎｏｖ 優化框架進行了ＤＮＮ 任務劃分和智能設備傳輸功率控制。

目前已有的關于端邊協同ＤＮＮ 推理任務的研究存在以下不足：

① 中間特征值的傳輸時間受信道狀態和傳輸功率的影響，智能任務推理的時間與邊緣服務器和智能設備的資源有關，現有的研究沒有關注這些因素對于ＤＮＮ 任務劃分的影響。

② 現有的關于端邊協同的ＤＮＮ 任務推理工作忽略了能量收集時間對于任務推理成功率的影響。能量收集過程為任務的本地推理和中間特征值的傳輸提供能量。設備可用能量與能量收集時間正相關，現有的工作缺少對能量收集時間和ＤＮＮ 任務劃分關系的分析。

為了解決設備由于能量受限而無法進行智能任務推理的問題，借助于射頻能量收集和邊緣智能技術，本文提出一種基于無線射頻供能的端邊協同智能任務推理機制，通過聯合優化智能設備能量收集時間、ＤＮＮ 模型分割點選擇、設備傳輸功率和邊緣計算資源，最大化系統中智能推理任務完成個數。與現有研究相比，本文的研究具有以下創新：