王艷芬，丁 宇，陳瑞瑞，李 松，周 瓊

（1.中國礦業(yè)大學信息與控制工程學院，江蘇 徐州 221116 2.中國礦業(yè)大學信息化建設(shè)與管理處，江蘇 徐州 221116）

隨著“萬物智聯(lián)”時代的到來，物聯(lián)網(wǎng)（Internet of Things，IoT）需要實現(xiàn)可靠的數(shù)據(jù)通信、實時的數(shù)據(jù)采集和智能的數(shù)據(jù)處理［1］。IoT設(shè)備通常由電池供能且需要長時間運行，因此能量的有限性使得IoT設(shè)備通信的功耗降低顯得尤為重要［2］。隨著接入網(wǎng)絡(luò)的IoT設(shè)備不斷增多，IoT通信的高能耗已成為亟待解決的關(guān)鍵問題之一。

資源受限的IoT設(shè)備會顯著影響系統(tǒng)的使用壽命，且IoT設(shè)備持續(xù)地通信也會大大增加碳足跡［3］，因此需要研究低功耗的資源分配算法。在蜂窩輔助IoT中，通過基站的蜂窩通信導致了巨大的能量消耗，因此引入支持設(shè)備到設(shè)備（Device?to?Device，D2D）通信的IoT設(shè)備，通過較短的通信距離和更好的信道質(zhì)量降低設(shè)備的能量消耗［4］。為解決IoT設(shè)備過多導致的高能耗問題，文獻［5］提出了一種信干噪比恒定的資源分配算法，以確保IoT中D2D設(shè)備的功耗維持在較低水平。針對IoT系統(tǒng)的資源管理問題，文獻［6］提出了一種信道選擇和功率分配的聯(lián)合優(yōu)化算法，既降低了D2D設(shè)備的傳輸功率又最大化了D2D設(shè)備的總速率。文獻［7］將能量效率優(yōu)化問題分解為功率分配和信道分配兩個子問題，運用博弈論、丁克爾巴赫算法和匈牙利算法，最大化了系統(tǒng)的能量效率并保證了服務質(zhì)量（Quality of Service，QoS）。為降低IoT設(shè)備之間干擾對系統(tǒng)能效和QoS的影響，Zhou等［8］提出了一種節(jié)能資源分配算法，通過聯(lián)合信道選擇和功率分配，極大提升了IoT設(shè)備的能量效率。針對IoT系統(tǒng)中的頻譜分配問題，文獻［9］提出了一種基于改進離散鴿群優(yōu)化算法的資源分配機制，有效提高了系統(tǒng)的能量效率以及頻譜利用率。在支持車與車通信的蜂窩車聯(lián)網(wǎng)下，唐倫等提出了一種基于能效的動態(tài)資源分配算法，利用拉格朗日對偶分解方法得到功率分配策略，在滿足用戶QoS需求下提高了系統(tǒng)能量效率［10］。注意到，上述文獻所提算法通常利用大量的迭代運算來尋找最優(yōu)策略，需要較長的計算時間，因此不適用于動態(tài)變化的IoT場景。

隨著人工智能的發(fā)展，機器學習（Machine Learning，ML）被廣泛應用于IoT，進一步推動IoT向著低功耗方向不斷發(fā)展。IoT設(shè)備作為智能體，通過學習訓練可以自適應調(diào)整發(fā)射功率從而降低干擾和功耗。文獻［11］提出了一種由移動邊緣緩存和D2D輔助緩存的聯(lián)合框架，利用強化學習算法降低了IoT系統(tǒng)信息傳輸?shù)哪芰肯?。針對IoT資源分配的多目標優(yōu)化問題，文獻［12］提出了基于深度強化學習的資源分配算法，從而改善了系統(tǒng)能耗和傳輸速率性能。針對工業(yè)IoT缺少資源管理架構(gòu)的問題，Yu等［13］提出了一種5G異構(gòu)網(wǎng)絡(luò)下的智能驅(qū)動綠色資源分配機制，通過深度強化學習方法優(yōu)化了異構(gòu)網(wǎng)絡(luò)的能量效率。在多層5G異構(gòu)網(wǎng)絡(luò)中，Alqerm等［14］提出了基于強化學習的功率分配方案，顯著提升了系統(tǒng)下行鏈路的能量效率。

文獻［11-14］研究了物聯(lián)網(wǎng)場景下低功耗的智能資源分配算法。為了解決系統(tǒng)能耗較大問題，文獻［11］將Q?learning算法和深度Q網(wǎng)絡(luò)應用于D2D輔助緩存的物聯(lián)網(wǎng)，但沒有考慮干擾難以保障QoS。文獻［12］提出了智能蜂窩網(wǎng)資源分配算法以解決系統(tǒng)高能耗和低傳輸速率問題，忽略了干擾控制和QoS問題。在雙層異構(gòu)網(wǎng)絡(luò)下，文獻［13-14］分別采用深度強化學習和在線學習方法，解決了系統(tǒng)能量效率低的問題，并沒有考慮干擾對傳輸性能的影響。然而，物聯(lián)網(wǎng)設(shè)備之間的相互干擾將嚴重影響系統(tǒng)性能，因此需要考慮干擾約束來保障QoS。

本文綜合考慮干擾約束、服務質(zhì)量和發(fā)射功率，構(gòu)建了IoT設(shè)備通信的總功率最小化問題，提出了智能的低功耗資源分配算法。設(shè)計了基于深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）的壓縮網(wǎng)絡(luò)和功率分配網(wǎng)絡(luò)，分別實現(xiàn)了環(huán)境狀態(tài)信息的壓縮和IoT設(shè)備的發(fā)射功率分配。針對約束條件和優(yōu)化目標，構(gòu)造了損失函數(shù)并用于聯(lián)合訓練網(wǎng)絡(luò)模型，實現(xiàn)了IoT設(shè)備通信的總功率最小化目標。

1 系統(tǒng)模型和優(yōu)化問題

1.1 系統(tǒng)模型

如圖1所示，本文考慮的IoT系統(tǒng)模型由一個基站（Base Station，BS）、M個通過BS通信的IoT設(shè)備（IoT Device，ID）和 N對 D2D通信的 IoT設(shè)備（D2D IoT Device，DID）組成。每個ID占用一個獨立的信道進行通信，因此ID與信道一一對應，故只定義信道集合為 K＝｛1，2，…，K｝。為了提高 IoT系統(tǒng)的頻譜利用率，DID可以復用ID的信道進行通信，且多個DID可以復用同一信道，將DID的集合表示為N＝｛1，2，…，N｝。在IoT系統(tǒng)中存在3種干擾，即同一信道內(nèi)不同DID收發(fā)端之間的干擾、DID對ID的干擾和ID對DID的干擾。

圖1 系統(tǒng)模型

式（1）保證了每個DID的發(fā)射功率在功率閾值Pmax內(nèi)。

ID的發(fā)射功率為PI，系統(tǒng)帶寬為W，噪聲譜密度為N0。因此，第m個DID的頻譜效率（Spectral Efficiency，SE）可以表示為

DID復用ID信道會導致設(shè)備間的干擾，影響IoT設(shè)備的通信性能。因此，IoT設(shè)備總功耗的降低需要考慮QoS保障和干擾控制。為了保證IoT的QoS要求，本文確保每個DID的SE大于閾值SEmin，即滿足SEm≥SEmin，?m∈N。為了控制IoT系統(tǒng)的干擾，需要保障同一信道內(nèi)DID對ID的干擾之和小于干擾閾值，即滿足

式中，Ik為信道k上所有DID對ID的總干擾，Imax為干擾閾值。式（4）通過限制DID對ID通信鏈路的干擾功率保證了IoT系統(tǒng)的通信質(zhì)量。

1.2 優(yōu)化問題

通過聯(lián)合考慮發(fā)射功率、干擾和QoS 3個約束條件，構(gòu)建了IoT系統(tǒng)中DID的總功率最小化問題為

具體地，C1為發(fā)射功率約束，保障了每個DID分配給K個子信道的總發(fā)射功率小于功率閾值Pmax。C2為干擾約束，保證了同信道內(nèi)每個DID對ID的干擾之和小于干擾閾值Imax，確保了ID的通信質(zhì)量。C3為QoS約束，保障了每個DID的頻譜效率大于頻譜效率閾值SEmin，并有效控制了系統(tǒng)中ID對DID的干擾和DID之間的同頻干擾，保證了DID的通信質(zhì)量。

優(yōu)化問題式（5）為非凸問題，難以通過傳統(tǒng)的方法獲得最優(yōu)的資源分配策略。DNN能夠通過矩陣運算降低計算復雜度。對于任何迭代表示連續(xù)映射的算法，都可以通過神經(jīng)網(wǎng)絡(luò)來學習其輸入輸出關(guān)系［15］，進而模擬出高度非線性和復雜的系統(tǒng)。將基于DNN的深度學習（Deep Learning，DL）技術(shù)應用到IoT系統(tǒng)中，能夠降低系統(tǒng)的功耗并提高設(shè)備智能化水平［16-17］。為此，本文考慮運用深度學習技術(shù)來解決優(yōu)化問題式（5），避免傳統(tǒng)算法解決問題的復雜過程。

2 基于DNN的低功耗資源分配算法

本文提出了基于DNN的低功耗資源分配算法。根據(jù)約束條件和優(yōu)化目標設(shè)計了損失函數(shù)，構(gòu)建了基于DNN的壓縮網(wǎng)絡(luò)和功率分配網(wǎng)絡(luò)。具體地，首先通過DID將收集的環(huán)境狀態(tài)信息做歸一化預處理，提高網(wǎng)絡(luò)的訓練效率和性能；然后，將預處理后的數(shù)據(jù)輸入到壓縮網(wǎng)絡(luò)，通過減少發(fā)送的數(shù)據(jù)量來降低功率消耗；最后，將壓縮后的數(shù)據(jù)輸入到功率分配網(wǎng)絡(luò)中，通過聯(lián)合訓練壓縮網(wǎng)絡(luò)和功率分配網(wǎng)絡(luò)，實現(xiàn)最小化IoT系統(tǒng)中DID總發(fā)射功率的目標。所提出的基于DNN的低功耗資源分配算法流程如圖2所示。

圖2 基于DNN的低功耗資源分配算法流程

2.1 歸一化預處理和壓縮網(wǎng)絡(luò)

式中，E（·）為求期望運算，D（·）為求方差運算。

設(shè)計的壓縮網(wǎng)絡(luò)由1個輸入層、1個輸出層和5個隱藏層組成。其中第1個和最后1個隱藏層均設(shè)置50個神經(jīng)元，另外3個隱藏層分別設(shè)置100個神經(jīng)元，多隱藏層的使用能夠在保持可比精度的同時提高計算效率。為了進一步提高訓練性能，首先使用截斷的正態(tài)分布來初始化權(quán)值，然后把每個神經(jīng)元的權(quán)值除以其輸入數(shù)的平方根，以標準化每個神經(jīng)元輸出的方差。此外，采取丟棄法減少訓練過程中發(fā)生的過擬合現(xiàn)象，丟棄率設(shè)置為0.1。

壓縮網(wǎng)絡(luò)實現(xiàn)對歸一化數(shù)據(jù)的特征提取，其輸出為Ck＝｛ck，t｝，其中t為壓縮網(wǎng)絡(luò)的輸出個數(shù)。當壓縮信息消耗的功率小于DID發(fā)射信息消耗的功率時，運用壓縮網(wǎng)絡(luò)可以實現(xiàn)發(fā)射功率的降低。

2.2 功率分配網(wǎng)絡(luò)

如圖2所示，功率分配網(wǎng)絡(luò)由DNN?1和DNN?2兩個子網(wǎng)絡(luò)組成，其中DNN?1用于確定每個DID發(fā)射端的歸一化發(fā)射功率，DNN?2用于確定每個DID的發(fā)射功率分配給各個子信道的比例。通過把DNN?1和DNN?2的輸出相乘，獲得了DID的功率分配結(jié)果。

DNN?1和DNN?2均由多個串聯(lián)連接的全連接層組成，其結(jié)構(gòu)如圖3所示。

圖3 功率分配網(wǎng)絡(luò)結(jié)構(gòu)

將DNN第i層的輸入xi、權(quán)重ωi和偏差bi經(jīng)過Affine層實現(xiàn)矩陣的乘積運算，輸出為yi＝ωixi+bi。然后 yi經(jīng)過整流線性單元（Rectified Linear Unit，ReLU）層，輸出為

該層的ReLU激活函數(shù)保證了經(jīng)過它的所有輸出非負，也避免了數(shù)據(jù)反向傳播時的梯度消失問題。DNN的每一層均由實現(xiàn)矩陣乘積運算的Affine層和實現(xiàn)激活神經(jīng)元的激活函數(shù)層構(gòu)成。

DNN?1的最后一層為 sigmoid層，其運用的sigmoid激活函數(shù)使輸入為yi時的輸出為

sigmoid激活函數(shù)通過式（8）的映射，把輸出的范圍控制在（0，1）。本文考慮對N對DID進行發(fā)射功率的分配，因此sigmoid層的輸出個數(shù)設(shè)為N，確保本層的輸出為N對DID的歸一化發(fā)射功率。

DNN?2除最后一層外，其余結(jié)構(gòu)均與DNN?1相同。DNN?2的最后一層為 softmax層，其由多個softmax模塊構(gòu)成。對每個softmax模塊而言，當輸入為yi時，其輸出為

softmax模塊將輸入的數(shù)據(jù)映射為對應的概率，其所有的輸出之和為1。將softmax模塊的輸出個數(shù)設(shè)置為K，對應系統(tǒng)中的K個子信道，其每個輸出代表了單個DID的發(fā)射功率在一個子信道上的分配比例。模型中共有N對DID，故DNN?2的softmax層設(shè)置了 N個 softmax模塊。將 sigmoid層和softmax層的輸出相乘，再將結(jié)果與Pmax相乘，得到了N對DID的發(fā)射功率在K個子信道上的分配比例。

2.3 損失函數(shù)的設(shè)計

訓練DNN的過程，就是確定合適的權(quán)重、偏差的過程，權(quán)重決定了輸入信號的重要程度，偏差用于調(diào)整神經(jīng)元被激活的容易程度。針對DNN的訓練，為得到最優(yōu)策略，需要根據(jù)優(yōu)化問題設(shè)計相應的損失函數(shù)。本文的優(yōu)化目標是最小化DID的總發(fā)射功率，約束條件是干擾約束、發(fā)射功率約束和QoS約束，為此，設(shè)計了如式（10）所示的損失函數(shù)。

式中，等號右邊依次為發(fā)射功率項、干擾約束項和QoS約束項，其分別根據(jù)優(yōu)化目標、約束條件C2和約束條件C3所設(shè)計。tanh（·）為雙曲切線函數(shù)，其值域為（-1，1），保證了損失函數(shù)的值不會特別大，進而加快其收斂過程以減少訓練的迭代時間。α和β分別為干擾約束和QoS約束的控制因子。利用設(shè)計的損失函數(shù)及梯度下降法訓練DNN，使其參數(shù)不斷更新直至達到理想的性能。在滿足約束條件的基礎(chǔ)上，實現(xiàn)最小化DID總發(fā)射功率的目標。

2.4 本文所提算法與傳統(tǒng)算法復雜度的比較

3 仿真結(jié)果及分析

本文使用Pycharm軟件對所提算法進行仿真，采用蒙特卡洛方法重復10 000次實驗，然后對結(jié)果取平均值。每一次的實驗中，ID和DID均隨機分布在60 m×60 m的范圍內(nèi)。假設(shè)IoT系統(tǒng)的多徑衰落服從均值為0、方差為1的獨立同分布。路徑損耗為 PL＝-34.5-38lg（d），其中 d 為發(fā)送設(shè)備與接收設(shè)備之間的距離。其他主要仿真參數(shù)如表1所示。

表1 實驗仿真參數(shù)

仿真工作將所提智能資源分配算法、無壓縮網(wǎng)絡(luò)的智能資源分配算法、隨機資源分配算法和加權(quán)最小均方誤差資源分配算法的性能進行了比較，為方便表述，后文中將4種算法分別稱為本文算法、無壓縮算法、隨機分配算法和WMMSE算法。

將式（10）設(shè)計的損失函數(shù)用于DNN的訓練，得到圖4的損失函數(shù)曲線圖。在訓練階段，使用整個訓練數(shù)據(jù)集來優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)。優(yōu)化算法為Adam算法，其結(jié)合了AdaGrad自適應梯度算法和RMSProp均方根傳播的優(yōu)勢。如圖4所示，隨著迭代次數(shù)的增加，損失函數(shù)的值先是大幅度的下降，最后漸漸趨于穩(wěn)定。這說明模型收斂性良好，具有較強的魯棒性，預測值和真實值之間的不一致程度較小。在測試階段，首先產(chǎn)生和訓練階段相同分布的數(shù)據(jù)集，然后通過訓練好的DNN模型對新數(shù)據(jù)進行測試，得到功率分配結(jié)果，實現(xiàn)最小化IoT設(shè)備總功率的目標。

圖4 損失函數(shù)

在DID收發(fā)端距離D＝15 m，頻譜效率閾值SEmin＝2.5 b/s/Hz的條件下，獲得了圖5 所示的IoT設(shè)備總功率隨DID數(shù)量變化的曲線。隨著DID數(shù)量的增加，IoT系統(tǒng)需要分配額外的功率給新增的DID，且關(guān)于DID的QoS約束比干擾約束更重要和難以滿足，因此本文算法、無壓縮算法和WMMSE算法中的IoT設(shè)備總功率隨著DID數(shù)量的增加而增加。隨機分配算法得到的較高總功率證明了資源分配的有效性。此外，無壓縮算法的IoT設(shè)備總功率始終比本文算法大，這說明了壓縮網(wǎng)絡(luò)能夠有效減少IoT設(shè)備總功率，在設(shè)備數(shù)量較大時尤為明顯。

圖5 IoT設(shè)備總功率與DID數(shù)量的關(guān)系

圖6是IoT設(shè)備總功率隨DID收發(fā)端距離D變化的曲線，信道和DID的數(shù)量分別為K＝4、N＝4，頻譜效率閾值 SEmin＝2.5 b/s/Hz。隨著 D 的增加，本文算法、無壓縮算法和WMMSE算法的3條曲線都呈現(xiàn)了遞增的趨勢，因為路徑損耗隨著D的增加而變大，此時系統(tǒng)需要分配更大的發(fā)射功率給每個DID，以達到和距離增加前同等程度的通信質(zhì)量，因此IoT設(shè)備總功率會快速增加。隨著DID收發(fā)端距離D的增加，本文算法和無壓縮算法的性能差距也變得越來越大。當D＝25 m時，本文算法的IoT設(shè)備總功率比無壓縮算法降低了10.2%，比隨機分配算法降低了65.3%。

圖6 IoT設(shè)備總功率與DID收發(fā)端距離的關(guān)系

圖7是不同QoS約束條件下的IoT設(shè)備總功率變化情況。信道和DID數(shù)量分別為K＝5、N＝5，DID收發(fā)端距離D＝20 m。由圖7可知，本文算法、無壓縮算法和WMMSE算法的IoT設(shè)備總功率隨著頻譜效率閾值SEmin的增加而增加。由式（2）和式（3）可知，當SEmin變大時，IoT需要分配更大的發(fā)射功率以達到更高的頻譜效率來滿足QoS約束條件。隨著SEmin的增加，IoT設(shè)備總功率的增幅也變得越來越大。當SEmin＝5 b/s/Hz時，本文算法的IoT設(shè)備總功率十分接近WMMSE算法的結(jié)果，比無壓縮算法的總功率降低了10.4%。

圖7 IoT設(shè)備總功率與QoS約束的關(guān)系

在信道數(shù)量K＝5，DID收發(fā)端距離D＝20 m，QoS約束為 2.5 b/s/Hz的條件下，本文算法與WMMSE算法的計算時間隨著DID數(shù)量N變化的曲線如圖8所示。隨著DID數(shù)量的增加，WMMSE算法的計算時間比本文算法的計算時間增加得更快，這顯示出了本文所提方案的優(yōu)勢。由2.4節(jié)可知，本文算法和WMMSE算法的計算復雜度分別為O（N2K）和O（N2X），圖8的曲線差值符合理論分析。隨著設(shè)備數(shù)量的增加和環(huán)境的不斷變化，對數(shù)據(jù)的實時處理顯得愈發(fā)重要，因此，在設(shè)備數(shù)量眾多的物聯(lián)網(wǎng)場景下，本文算法所需的計算時間優(yōu)于WMMSE算法，而且能夠達到與WMMSE算法近似的性能，更加適用于動態(tài)變化的IoT場景。

圖8 本文算法和WMMSE算法的計算時間與DID數(shù)量的關(guān)系

4 結(jié)束語

本文構(gòu)建了IoT系統(tǒng)的資源分配問題，提出了一種基于DNN的低功耗資源分配算法，最小化了IoT設(shè)備通信的總發(fā)射功率。為保證IoT系統(tǒng)的通信質(zhì)量，根據(jù)約束條件和優(yōu)化目標設(shè)計了損失函數(shù)，基于DNN設(shè)計了壓縮網(wǎng)絡(luò)和功率分配網(wǎng)絡(luò)，實現(xiàn)了IoT系統(tǒng)的低功耗智能資源分配。本文算法能夠有效分配DID的發(fā)射功率，從而降低了IoT設(shè)備的總發(fā)射功率，減少了計算時間。