基于深度学习的物联网设备通信低功耗资源分配算法

王艳芬，丁 宇，陈瑞瑞，李 松，周 琼

（1.中国矿业大学信息与控制工程学院，江苏 徐州 221116 2.中国矿业大学信息化建设与管理处，江苏 徐州 221116）

随着“万物智联”时代的到来，物联网（Internet of Things，IoT）需要实现可靠的数据通信、实时的数据采集和智能的数据处理［1］。IoT设备通常由电池供能且需要长时间运行，因此能量的有限性使得IoT设备通信的功耗降低显得尤为重要［2］。随着接入网络的IoT设备不断增多，IoT通信的高能耗已成为亟待解决的关键问题之一。

资源受限的IoT设备会显著影响系统的使用寿命，且IoT设备持续地通信也会大大增加碳足迹［3］，因此需要研究低功耗的资源分配算法。在蜂窝辅助IoT中，通过基站的蜂窝通信导致了巨大的能量消耗，因此引入支持设备到设备（Device⁃to⁃Device，D2D）通信的IoT设备，通过较短的通信距离和更好的信道质量降低设备的能量消耗［4］。为解决IoT设备过多导致的高能耗问题，文献［5］提出了一种信干噪比恒定的资源分配算法，以确保IoT中D2D设备的功耗维持在较低水平。针对IoT系统的资源管理问题，文献［6］提出了一种信道选择和功率分配的联合优化算法，既降低了D2D设备的传输功率又最大化了D2D设备的总速率。文献［7］将能量效率优化问题分解为功率分配和信道分配两个子问题，运用博弈论、丁克尔巴赫算法和匈牙利算法，最大化了系统的能量效率并保证了服务质量（Quality of Service，QoS）。为降低IoT设备之间干扰对系统能效和QoS的影响，Zhou等［8］提出了一种节能资源分配算法，通过联合信道选择和功率分配，极大提升了IoT设备的能量效率。针对IoT系统中的频谱分配问题，文献［9］提出了一种基于改进离散鸽群优化算法的资源分配机制，有效提高了系统的能量效率以及频谱利用率。在支持车与车通信的蜂窝车联网下，唐伦等提出了一种基于能效的动态资源分配算法，利用拉格朗日对偶分解方法得到功率分配策略，在满足用户QoS需求下提高了系统能量效率［10］。注意到，上述文献所提算法通常利用大量的迭代运算来寻找最优策略，需要较长的计算时间，因此不适用于动态变化的IoT场景。

随着人工智能的发展，机器学习（Machine Learning，ML）被广泛应用于IoT，进一步推动IoT向着低功耗方向不断发展。IoT设备作为智能体，通过学习训练可以自适应调整发射功率从而降低干扰和功耗。文献［11］提出了一种由移动边缘缓存和D2D辅助缓存的联合框架，利用强化学习算法降低了IoT系统信息传输的能量消耗。针对IoT资源分配的多目标优化问题，文献［12］提出了基于深度强化学习的资源分配算法，从而改善了系统能耗和传输速率性能。针对工业IoT缺少资源管理架构的问题，Yu等［13］提出了一种5G异构网络下的智能驱动绿色资源分配机制，通过深度强化学习方法优化了异构网络的能量效率。在多层5G异构网络中，Alqerm等［14］提出了基于强化学习的功率分配方案，显著提升了系统下行链路的能量效率。

文献［11-14］研究了物联网场景下低功耗的智能资源分配算法。为了解决系统能耗较大问题，文献［11］将Q⁃learning算法和深度Q网络应用于D2D辅助缓存的物联网，但没有考虑干扰难以保障QoS。文献［12］提出了智能蜂窝网资源分配算法以解决系统高能耗和低传输速率问题，忽略了干扰控制和QoS问题。在双层异构网络下，文献［13-14］分别采用深度强化学习和在线学习方法，解决了系统能量效率低的问题，并没有考虑干扰对传输性能的影响。然而，物联网设备之间的相互干扰将严重影响系统性能，因此需要考虑干扰约束来保障QoS。

本文综合考虑干扰约束、服务质量和发射功率，构建了IoT设备通信的总功率最小化问题，提出了智能的低功耗资源分配算法。设计了基于深度神经网络（Deep Neural Network，DNN）的压缩网络和功率分配网络，分别实现了环境状态信息的压缩和IoT设备的发射功率分配。针对约束条件和优化目标，构造了损失函数并用于联合训练网络模型，实现了IoT设备通信的总功率最小化目标。

1 系统模型和优化问题

1.1 系统模型

如图1所示，本文考虑的IoT系统模型由一个基站（Base Station，BS）、M个通过BS通信的IoT设备（IoT Device，ID）和 N对 D2D通信的 IoT设备（D2D IoT Device，DID）组成。每个ID占用一个独立的信道进行通信，因此ID与信道一一对应，故只定义信道集合为 K＝｛1，2，…，K｝。为了提高 IoT系统的频谱利用率，DID可以复用ID的信道进行通信，且多个DID可以复用同一信道，将DID的集合表示为N＝｛1，2，…，N｝。在IoT系统中存在3种干扰，即同一信道内不同DID收发端之间的干扰、DID对ID的干扰和ID对DID的干扰。

图1 系统模型

式（1）保证了每个DID的发射功率在功率阈值Pmax内。

ID的发射功率为PI，系统带宽为W，噪声谱密度为N0。因此，第m个DID的频谱效率（Spectral Efficiency，SE）可以表示为

DID复用ID信道会导致设备间的干扰，影响IoT设备的通信性能。因此，IoT设备总功耗的降低需要考虑QoS保障和干扰控制。为了保证IoT的QoS要求，本文确保每个DID的SE大于阈值SEmin，即满足SEm≥SEmin，∀m∈N。为了控制IoT系统的干扰，需要保障同一信道内DID对ID的干扰之和小于干扰阈值，即满足

式中，Ik为信道k上所有DID对ID的总干扰，Imax为干扰阈值。式（4）通过限制DID对ID通信链路的干扰功率保证了IoT系统的通信质量。

1.2 优化问题

通过联合考虑发射功率、干扰和QoS 3个约束条件，构建了IoT系统中DID的总功率最小化问题为

具体地，C1为发射功率约束，保障了每个DID分配给K个子信道的总发射功率小于功率阈值Pmax。C2为干扰约束，保证了同信道内每个DID对ID的干扰之和小于干扰阈值Imax，确保了ID的通信质量。C3为QoS约束，保障了每个DID的频谱效率大于频谱效率阈值SEmin，并有效控制了系统中ID对DID的干扰和DID之间的同频干扰，保证了DID的通信质量。

优化问题式（5）为非凸问题，难以通过传统的方法获得最优的资源分配策略。DNN能够通过矩阵运算降低计算复杂度。对于任何迭代表示连续映射的算法，都可以通过神经网络来学习其输入输出关系［15］，进而模拟出高度非线性和复杂的系统。将基于DNN的深度学习（Deep Learning，DL）技术应用到IoT系统中，能够降低系统的功耗并提高设备智能化水平［16-17］。为此，本文考虑运用深度学习技术来解决优化问题式（5），避免传统算法解决问题的复杂过程。

2 基于DNN的低功耗资源分配算法

本文提出了基于DNN的低功耗资源分配算法。根据约束条件和优化目标设计了损失函数，构建了基于DNN的压缩网络和功率分配网络。具体地，首先通过DID将收集的环境状态信息做归一化预处理，提高网络的训练效率和性能；然后，将预处理后的数据输入到压缩网络，通过减少发送的数据量来降低功率消耗；最后，将压缩后的数据输入到功率分配网络中，通过联合训练压缩网络和功率分配网络，实现最小化IoT系统中DID总发射功率的目标。所提出的基于DNN的低功耗资源分配算法流程如图2所示。

图2 基于DNN的低功耗资源分配算法流程

2.1 归一化预处理和压缩网络

式中，E（·）为求期望运算，D（·）为求方差运算。

设计的压缩网络由1个输入层、1个输出层和5个隐藏层组成。其中第1个和最后1个隐藏层均设置50个神经元，另外3个隐藏层分别设置100个神经元，多隐藏层的使用能够在保持可比精度的同时提高计算效率。为了进一步提高训练性能，首先使用截断的正态分布来初始化权值，然后把每个神经元的权值除以其输入数的平方根，以标准化每个神经元输出的方差。此外，采取丢弃法减少训练过程中发生的过拟合现象，丢弃率设置为0.1。

压缩网络实现对归一化数据的特征提取，其输出为Ck＝｛ck，t｝，其中t为压缩网络的输出个数。当压缩信息消耗的功率小于DID发射信息消耗的功率时，运用压缩网络可以实现发射功率的降低。

2.2 功率分配网络

如图2所示，功率分配网络由DNN⁃1和DNN⁃2两个子网络组成，其中DNN⁃1用于确定每个DID发射端的归一化发射功率，DNN⁃2用于确定每个DID的发射功率分配给各个子信道的比例。通过把DNN⁃1和DNN⁃2的输出相乘，获得了DID的功率分配结果。

DNN⁃1和DNN⁃2均由多个串联连接的全连接层组成，其结构如图3所示。

图3 功率分配网络结构

将DNN第i层的输入xi、权重ωi和偏差bi经过Affine层实现矩阵的乘积运算，输出为yi＝ωixi+bi。然后 yi经过整流线性单元（Rectified Linear Unit，ReLU）层，输出为

该层的ReLU激活函数保证了经过它的所有输出非负，也避免了数据反向传播时的梯度消失问题。DNN的每一层均由实现矩阵乘积运算的Affine层和实现激活神经元的激活函数层构成。

DNN⁃1的最后一层为 sigmoid层，其运用的sigmoid激活函数使输入为yi时的输出为

sigmoid激活函数通过式（8）的映射，把输出的范围控制在（0，1）。本文考虑对N对DID进行发射功率的分配，因此sigmoid层的输出个数设为N，确保本层的输出为N对DID的归一化发射功率。

DNN⁃2除最后一层外，其余结构均与DNN⁃1相同。DNN⁃2的最后一层为 softmax层，其由多个softmax模块构成。对每个softmax模块而言，当输入为yi时，其输出为

softmax模块将输入的数据映射为对应的概率，其所有的输出之和为1。将softmax模块的输出个数设置为K，对应系统中的K个子信道，其每个输出代表了单个DID的发射功率在一个子信道上的分配比例。模型中共有N对DID，故DNN⁃2的softmax层设置了 N个 softmax模块。将 sigmoid层和softmax层的输出相乘，再将结果与Pmax相乘，得到了N对DID的发射功率在K个子信道上的分配比例。

2.3 损失函数的设计

训练DNN的过程，就是确定合适的权重、偏差的过程，权重决定了输入信号的重要程度，偏差用于调整神经元被激活的容易程度。针对DNN的训练，为得到最优策略，需要根据优化问题设计相应的损失函数。本文的优化目标是最小化DID的总发射功率，约束条件是干扰约束、发射功率约束和QoS约束，为此，设计了如式（10）所示的损失函数。

式中，等号右边依次为发射功率项、干扰约束项和QoS约束项，其分别根据优化目标、约束条件C2和约束条件C3所设计。tanh（·）为双曲切线函数，其值域为（-1，1），保证了损失函数的值不会特别大，进而加快其收敛过程以减少训练的迭代时间。α和β分别为干扰约束和QoS约束的控制因子。利用设计的损失函数及梯度下降法训练DNN，使其参数不断更新直至达到理想的性能。在满足约束条件的基础上，实现最小化DID总发射功率的目标。

2.4 本文所提算法与传统算法复杂度的比较

3 仿真结果及分析

本文使用Pycharm软件对所提算法进行仿真，采用蒙特卡洛方法重复10 000次实验，然后对结果取平均值。每一次的实验中，ID和DID均随机分布在60 m×60 m的范围内。假设IoT系统的多径衰落服从均值为0、方差为1的独立同分布。路径损耗为 PL＝-34.5-38lg（d），其中 d 为发送设备与接收设备之间的距离。其他主要仿真参数如表1所示。

表1 实验仿真参数

仿真工作将所提智能资源分配算法、无压缩网络的智能资源分配算法、随机资源分配算法和加权最小均方误差资源分配算法的性能进行了比较，为方便表述，后文中将4种算法分别称为本文算法、无压缩算法、随机分配算法和WMMSE算法。

将式（10）设计的损失函数用于DNN的训练，得到图4的损失函数曲线图。在训练阶段，使用整个训练数据集来优化神经网络参数。优化算法为Adam算法，其结合了AdaGrad自适应梯度算法和RMSProp均方根传播的优势。如图4所示，随着迭代次数的增加，损失函数的值先是大幅度的下降，最后渐渐趋于稳定。这说明模型收敛性良好，具有较强的鲁棒性，预测值和真实值之间的不一致程度较小。在测试阶段，首先产生和训练阶段相同分布的数据集，然后通过训练好的DNN模型对新数据进行测试，得到功率分配结果，实现最小化IoT设备总功率的目标。

图4 损失函数

在DID收发端距离D＝15 m，频谱效率阈值SEmin＝2.5 b/s/Hz的条件下，获得了图5 所示的IoT设备总功率随DID数量变化的曲线。随着DID数量的增加，IoT系统需要分配额外的功率给新增的DID，且关于DID的QoS约束比干扰约束更重要和难以满足，因此本文算法、无压缩算法和WMMSE算法中的IoT设备总功率随着DID数量的增加而增加。随机分配算法得到的较高总功率证明了资源分配的有效性。此外，无压缩算法的IoT设备总功率始终比本文算法大，这说明了压缩网络能够有效减少IoT设备总功率，在设备数量较大时尤为明显。

图5 IoT设备总功率与DID数量的关系

图6是IoT设备总功率随DID收发端距离D变化的曲线，信道和DID的数量分别为K＝4、N＝4，频谱效率阈值 SEmin＝2.5 b/s/Hz。随着 D 的增加，本文算法、无压缩算法和WMMSE算法的3条曲线都呈现了递增的趋势，因为路径损耗随着D的增加而变大，此时系统需要分配更大的发射功率给每个DID，以达到和距离增加前同等程度的通信质量，因此IoT设备总功率会快速增加。随着DID收发端距离D的增加，本文算法和无压缩算法的性能差距也变得越来越大。当D＝25 m时，本文算法的IoT设备总功率比无压缩算法降低了10.2%，比随机分配算法降低了65.3%。

图6 IoT设备总功率与DID收发端距离的关系

图7是不同QoS约束条件下的IoT设备总功率变化情况。信道和DID数量分别为K＝5、N＝5，DID收发端距离D＝20 m。由图7可知，本文算法、无压缩算法和WMMSE算法的IoT设备总功率随着频谱效率阈值SEmin的增加而增加。由式（2）和式（3）可知，当SEmin变大时，IoT需要分配更大的发射功率以达到更高的频谱效率来满足QoS约束条件。随着SEmin的增加，IoT设备总功率的增幅也变得越来越大。当SEmin＝5 b/s/Hz时，本文算法的IoT设备总功率十分接近WMMSE算法的结果，比无压缩算法的总功率降低了10.4%。

图7 IoT设备总功率与QoS约束的关系

在信道数量K＝5，DID收发端距离D＝20 m，QoS约束为 2.5 b/s/Hz的条件下，本文算法与WMMSE算法的计算时间随着DID数量N变化的曲线如图8所示。随着DID数量的增加，WMMSE算法的计算时间比本文算法的计算时间增加得更快，这显示出了本文所提方案的优势。由2.4节可知，本文算法和WMMSE算法的计算复杂度分别为O（N2K）和O（N2X），图8的曲线差值符合理论分析。随着设备数量的增加和环境的不断变化，对数据的实时处理显得愈发重要，因此，在设备数量众多的物联网场景下，本文算法所需的计算时间优于WMMSE算法，而且能够达到与WMMSE算法近似的性能，更加适用于动态变化的IoT场景。

图8 本文算法和WMMSE算法的计算时间与DID数量的关系

4 结束语

本文构建了IoT系统的资源分配问题，提出了一种基于DNN的低功耗资源分配算法，最小化了IoT设备通信的总发射功率。为保证IoT系统的通信质量，根据约束条件和优化目标设计了损失函数，基于DNN设计了压缩网络和功率分配网络，实现了IoT系统的低功耗智能资源分配。本文算法能够有效分配DID的发射功率，从而降低了IoT设备的总发射功率，减少了计算时间。