摘 要：針對云側(cè)進行智能任務(wù)推理時帶寬需求高與實時性差、端側(cè)設(shè)備計算能力與能量受限的問題，在端側(cè)設(shè)備處引入無線射頻供能技術(shù)以實現(xiàn)端側(cè)設(shè)備獨立供能，進而提出了基于無線射頻供能的端邊協(xié)同智能任務(wù)推理機制，以最大化端側(cè)設(shè)備智能任務(wù)推理完成率。構(gòu)建端側(cè)設(shè)備能量收集和端邊協(xié)同推理模型?？紤]端側(cè)設(shè)備射頻（ＲａｄｉｏＦｒｅｑｕｅｎｃｙ，ＲＦ）能量收集時間與端邊協(xié)同智能任務(wù)推理時間約束、端側(cè)設(shè)備傳輸功率與可使用能量約束及邊緣側(cè)計算資源約束，最大化智能推理任務(wù)完成數(shù)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(jīng)網(wǎng)絡(luò)（Ｄｅｅｐ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ，ＤＮＮ）模型分割與通信計算資源聯(lián)合優(yōu)化算法，以得到最優(yōu)的端側(cè)設(shè)備射頻能量采集時間、端側(cè)設(shè)備傳輸功率、ＤＮＮ 模型分割點和邊緣計算資源分配。仿真結(jié)果表明，所提算法可有效提高智能任務(wù)推理完成率，且明顯優(yōu)于其他對比算法。

關(guān)鍵詞：無線射頻供能；端邊協(xié)同；智能任務(wù)推理；深度確定性策略梯度

中圖分類號：ＴＮ９１９． ２３ 文獻標(biāo)志碼：Ａ 開放科學(xué)（資源服務(wù)）標(biāo)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(shù)的快速發(fā)展，國際電信聯(lián)盟在《ＩＭＴ 面向２０３０ 及未來發(fā)展的框架和總體目標(biāo)建議書》中明確提出６Ｇ 典型應(yīng)用場景，其中通信與ＡＩ 融合的典型應(yīng)用場景將支持分布式計算和ＡＩ 驅(qū)動應(yīng)用，例如輔助自動駕駛、輔助協(xié)作機器人等，將ＡＩ 與通信融合，實現(xiàn)智能通信［１］。

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

為了解決上述問題，邊緣智能技術(shù)應(yīng)運而生［６－７］，邊緣智能結(jié)合了邊緣計算和ＡＩ 技術(shù)的優(yōu)勢，將數(shù)據(jù)分析、場景感知、實時決策等功能擴展到網(wǎng)絡(luò)的邊緣側(cè)，滿足了如敏捷連接、實時業(yè)務(wù)處理、數(shù)據(jù)優(yōu)化、應(yīng)用智能等的需求，對提高系統(tǒng)效率和服務(wù)響應(yīng)速度、進行調(diào)度優(yōu)化具有重要意義。ＤＮＮ 具有分層結(jié)構(gòu)，且每層輸出的中間結(jié)果數(shù)據(jù)量比原始輸入的數(shù)據(jù)量小得多［８］。基于ＤＮＮ 的結(jié)構(gòu)特性，文獻［９－１０］提出智能任務(wù)驅(qū)動的端邊協(xié)同服務(wù)模式，充分利用本地計算近與邊緣計算強的優(yōu)勢，達到節(jié)省帶寬、降低延遲并提高隱私的目的。在端邊協(xié)同服務(wù)模式中，令ＤＮＮ 任務(wù)的前幾層推理在本地端側(cè)設(shè)備執(zhí)行，并將中間結(jié)果經(jīng)無線鏈路傳輸至邊緣服務(wù)器，剩余的ＤＮＮ 層在邊緣其余部分推理［１１］。

盡管端邊協(xié)同的服務(wù)模式可以支持端側(cè)設(shè)備執(zhí)行智能任務(wù)推理，然而有限的電池容量會限制端邊協(xié)同推理性能，任務(wù)將在電池電量耗盡時中斷。在端邊協(xié)同智能任務(wù)推理系統(tǒng)中，如何在完成智能任務(wù)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(shù)通過將可再生能源或射頻能量轉(zhuǎn)化為可供智能設(shè)備使用的電能，成為綠色通信的關(guān)鍵使能技術(shù)之一［１２－１４］。隨著綠色計算的提出和能量收集技術(shù)的不斷進步，為了滿足智能設(shè)備的能量需求，文獻［１５］提出可以將無線供電通信網(wǎng)絡(luò)技術(shù)（Ｗｉｒｅｌｅｓｓ Ｐｏｗｅｒｅｄ Ｃｏｍｍｕｎｉｃａｔｉｏｎ Ｎｅｔｗｏｒｋ，ＷＰＣＮ）應(yīng)用于基站（Ｂａｓｅ Ｓｔａｔｉｏｎ，ＢＳ）和設(shè)備端，智能設(shè)備可以收集ＢＳ／ 接入點發(fā)送的射頻（ＲａｄｉｏＦｒｅｑｕｅｎｃｙ，ＲＦ）能量以執(zhí)行ＤＮＮ 智能任務(wù)推理或中間特征值傳輸。

文獻［１６］基于計算量、內(nèi)存和通信開銷三方面進行定量分析，在傳統(tǒng)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(nèi)存占用和能量消耗。文獻［１７］應(yīng)用強化學(xué)習(xí)，聯(lián)合優(yōu)化了分層邊緣－云系統(tǒng)的ＤＮＮ 任務(wù)劃分和計算資源分配，同時保證邊緣服務(wù)器和中心云的能耗在其能源預(yù)算范圍內(nèi)。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(lián)網(wǎng)中以最佳延遲提供多個基于ＤＮＮ 的應(yīng)用。文獻［１９］提出了一種資源感知的ＤＮＮ 任務(wù)劃分方法，根據(jù)特定邊緣設(shè)備的可用資源性質(zhì)和規(guī)模，靈活地對ＤＮＮ 進行任務(wù)劃分。文獻［２０］針對單服務(wù)器多用戶的ＭＥＣ 網(wǎng)絡(luò)基于博弈論提出了任務(wù)劃分和卸載的聯(lián)合設(shè)計方案，以使用戶成本最小化。上述工作優(yōu)化了邊緣智能網(wǎng)絡(luò)的延遲和能耗，但是沒有考慮智能設(shè)備的能量限制。文獻［２１］研究了使用可再生能源ＭＥＣ 網(wǎng)絡(luò)，應(yīng)用Ｌｙａｐｕｎｏｖ 優(yōu)化框架進行了ＤＮＮ 任務(wù)劃分和智能設(shè)備傳輸功率控制。

目前已有的關(guān)于端邊協(xié)同ＤＮＮ 推理任務(wù)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(tài)和傳輸功率的影響，智能任務(wù)推理的時間與邊緣服務(wù)器和智能設(shè)備的資源有關(guān)，現(xiàn)有的研究沒有關(guān)注這些因素對于ＤＮＮ 任務(wù)劃分的影響。

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

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