无线云接入控制器分布式处理终端设备信息的方法

摘要

本申请涉及分布式控制领域，其具体地公开了一种无线云接入控制器分布式处理终端设备信息的方法。所述无线云接入控制器分布式处理终端设备信息的方法为了获取多个终端设备之间的关联信息，采用基于深度学习技术的卷积神经网络模型来提取数据之间的关联特征，通过这样的方式，可以使得无线云接入控制器在分布式处理终端设备信息时，能够基于各个终端设备的本地资源和网络资源之间的关联来协调对于各个终端设备网络资源的分配。

权利要求

1.一种无线云接入控制器分布式处理终端设备信息的方法，其特征在于，包括：获取多个终端设备的本地可用硬件资源；

将所述多个终端设备的本地可用硬件资源构造为第一向量；

获得所述多个终端设备的当前分配网络资源；

将所述多个终端设备的当前分配网络资源构造为第二向量；

将所述第一向量与所述第二向量的转置进行矩阵相乘以获得输入矩阵并将所述输入矩阵通过卷积神经网络以获得特征矩阵；

计算各个所述终端设备的无线通信上行参数，其中，所述无线通信上行参数基于所述终端设备的上行带宽、所述终端设备的无线传输功率、所述终端设备到无线云接入控制器的小规模衰减效应参数，以及，所述终端设备到所述无线云接入控制器的小规模衰减功率分量生成；

将每个所述终端设备的无线通信上行参数与所述第二向量进行按位置点乘后获得第三向量；

对所述特征矩阵进行基于特征亲和性空间仿射学习的优化以得到优化特征矩阵；

以所述第三向量作为查询向量与所述优化特征矩阵进行矩阵相乘以获得第四向量；以及计算所述第四向量中各个位置的类Softmax函数值，所述各个位置的类Softmax函数值用于表示对应的所述终端设备的网络资源的分配比率，其中，所述类Softmax函数值为以所述第四向量中对应位置的特征值为幂的自然指数函数值除以所述第四向量中各个位置的特征值为幂的自然指数函数值的加权和的结果；

其中，对所述特征矩阵进行基于特征亲和性空间仿射学习的优化以得到优化特征矩阵，包括：以如下公式对所述特征矩阵进行基于特征亲和性空间仿射学习的优化以得到优化特征矩阵；

其中，所述公式为：

T

其中，Mf表示所述特征矩阵，Mf表示所述特征矩阵的转置矩阵，||Mf||2表示所述特征矩*阵的二范数，||Mf||表示所述特征矩阵的核范数，且n是所述特征矩阵的尺度，exp(·)表示矩阵的指数运算，log表示以2为底的对数函数值，Mf'是所述优化特征矩阵。

2.根据权利要求1所述的无线云接入控制器分布式处理终端设备信息的方法，其中，将所述多个终端设备的本地可用硬件资源构造为第一向量，包括：对所述多个终端设备的本地可用硬件资源进行最大值归一化处理，以将所述多个终端设备的本地可用硬件资源转化到0到1的区间内；以及将归一化后的所述多个终端设备的本地可用硬件资源按终端设备维度进行排列为所述第一向量。

3.根据权利要求2所述的无线云接入控制器分布式处理终端设备信息的方法，其中，将所述多个终端设备的当前分配网络资源构造为第二向量，包括：将所述多个终端设备的当前分配网络资源进行最大值归一化处理，以将所述多个终端设备的当前分配网络资源转化到0到1的区间内；以及将归一化后的所述多个终端设备的当前分配网络资源按终端设备维度进行排列为所述第二向量。

4.根据权利要求1所述的无线云接入控制器分布式处理终端设备信息的方法，其中，计算各个所述终端设备的无线通信上行参数，包括：以如下公式计算各个所述终端设备的无线通信上行参数，其中，所述公式为：其中WT是所述终端设备的上行带宽，PT是所述终端设备的无线传输功率，aT,C是所述终端设备到所述无线云接入控制器的小规模衰减效应参数，hT,C是所述终端设备到所述无线2

云接入控制器的小规模衰减功率分量，且σ表示加性白高斯噪声的功率。

5.根据权利要求4所述的无线云接入控制器分布式处理终端设备信息的方法，其中，所述小规模衰减效应参数包括路径损失和遮挡损失，以及，所述小规模衰减功率分量与频率相关。

6.根据权利要求1所述的无线云接入控制器分布式处理终端设备信息的方法，其中，计算所述第四向量中各个位置的类Softmax函数值，包括：以如下公式计算所述第四向量中各个位置的类Softmax函数值，其中所述公式为：exp(xi)/∑iexp(xi)，其中，xi表示所述第四向量中各个位置的特征值。

7.一种无线云接入控制器分布式处理终端设备信息的系统，其特征在于，包括：硬件资源获取单元，用于获取多个终端设备的本地可用硬件资源；

第一向量生成单元，用于将所述硬件资源获取单元获得的所述多个终端设备的本地可用硬件资源构造为第一向量；

当前分配网络资源获取单元，用于获得所述多个终端设备的当前分配网络资源；

第二向量生成单元，用于将所述当前分配网络资源获取单元获得的所述多个终端设备的当前分配网络资源构造为第二向量；

特征矩阵生成单元，用于将所述第一向量生成单元获得的所述第一向量与所述第二向量生成单元获得的所述第二向量的转置进行矩阵相乘以获得输入矩阵并将所述输入矩阵通过卷积神经网络以获得特征矩阵；

上行参数计算单元，用于计算各个所述终端设备的无线通信上行参数，其中，所述无线通信上行参数基于所述终端设备的上行带宽、所述终端设备的无线传输功率、所述终端设备到无线云接入控制器的小规模衰减效应参数，以及，所述终端设备到所述无线云接入控制器的小规模衰减功率分量生成；

第三向量生成单元，用于将每个所述上行参数计算单元获得的所述终端设备的无线通信上行参数与所述第二向量生成单元获得的所述第二向量进行按位置点乘后获得第三向量；

特征矩阵优化单元，用于对所述特征矩阵进行基于特征亲和性空间仿射学习的优化以得到优化特征矩阵；

第四向量生成单元，用于以所述第三向量生成单元获得的所述第三向量作为查询向量与所述特征矩阵优化单元获得的所述优化特征矩阵进行矩阵相乘以获得第四向量；以及函数值计算单元，用于计算所述第四向量生成单元获得的所述第四向量中各个位置的类Softmax函数值，所述各个位置的类Softmax函数值用于表示对应的所述终端设备的网络资源的分配比率，其中，所述类Softmax函数值为以所述第四向量中对应位置的特征值为幂的自然指数函数值除以所述第四向量中各个位置的特征值为幂的自然指数函数值的加权和的结果；

其中，所述特征矩阵优化单元，包括：以如下公式对所述特征矩阵进行基于特征亲和性空间仿射学习的优化以得到优化特征矩阵；

其中，所述公式为：

T

其中，Mf表示所述特征矩阵，Mf表示所述特征矩阵的转置矩阵，||Mf||2表示所述特征矩*阵的二范数，||Mf||表示所述特征矩阵的核范数，且n是所述特征矩阵的尺度，exp(·)表示矩阵的指数运算，log表示以2为底的对数函数值，Mf'是所述优化特征矩阵。

8.根据权利要求7所述的无线云接入控制器分布式处理终端设备信息的系统，其中，所述第一向量生成单元，包括：最大值归一化计算子单元，用于对所述多个终端设备的本地可用硬件资源进行最大值归一化处理，以将所述多个终端设备的本地可用硬件资源转化到0到1的区间内；以及第一向量排列子单元，用于将归一化后的所述最大值归一化计算子单元获得的所述多个终端设备的本地可用硬件资源按终端设备维度进行排列为所述第一向量。

9.一种电子设备，包括：

处理器；以及

存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如权利要求1‑6中任一项所述的无线云接入控制器分布式处理终端设备信息的方法。

说明书

无线云接入控制器分布式处理终端设备信息的方法

技术领域

[0001] 本发明涉及无线云领域，且更为具体地，涉及一种无线云接入控制器分布式处理终端设备信息的方法、无线云接入控制器分布式处理终端设备信息的系统和电子设备。

背景技术

[0002] 无线云接入控制器可用于终端设备的统一管理，包括统一下发镜像资源、用户认证、个人数据存储、管理镜像更新等功能，其将虚拟化层置于云接入控制器中，通过推送虚拟机镜像，应用本地资源透传技术，由本地的硬件资源提供计算支撑。另外，通过采用镜像增量更新及P2P加速技术，终端设备可以从云接入控制器获取授权本地启动镜像，大幅提升部署与更新效率。

[0003] 但是，在无线云接入控制器对多个终端设备进行分布式管理时，现行的方案是基于单个设备的资源及带宽条件来进行网络资源的分配。这种方案具有诸多缺陷。

[0004] 首先，由于仅考虑单个设备的资源及带宽条件，故所分配的网络资源可能仅满足单个设备的网络资源需求，而没有考虑各个终端设备之间的关联，导致其他终端设备的网络资源和通信性能可能会受到影响。

[0005] 其次，各个终端设备所形成的通信网络是一个整体，要考虑的是网络整体的性能均衡和网络资源利用率的最大化。也就是，现行的方案也许能满足单个终端设备的需求，但无法使得整个网络对于网络资源的资源利用最大化。

[0006] 因此，期望一种无线云接入控制器分布式处理终端设备信息的方法。

发明内容

[0007] 为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种无线云接入控制器分布式处理终端设备信息的方法、无线云接入控制器分布式处理终端设备信息的系统和电子设备，其采用基于深度学习技术的卷积神经网络模型来提取数据之间的关联特征，通过这样的方式，可以使得无线云接入控制器在分布式处理终端设备信息时，能够基于各个终端设备的本地资源和网络资源之间的关联来协调对于各个终端设备网络资源的分配。

[0008] 根据本申请的一个方面，提供了一种无线云接入控制器分布式处理终端设备信息的方法，其包括：获取多个终端设备的本地可用硬件资源；将所述多个终端设备的本地可用硬件资源构造为第一向量；获得所述多个终端设备的当前分配网络资源；将所述多个终端设备的当前分配网络资源构造为第二向量；将所述第一向量与所述第二向量的转置进行矩阵相乘以获得输入矩阵并将所述输入矩阵通过卷积神经网络以获得特征矩阵；计算各个所述终端设备的无线通信上行参数，其中，所述无线通信上行参数基于所述终端设备的上行带宽、所述终端设备的无线传输功率、所述终端设备到无线云接入控制器的小规模衰减效应参数，以及，所述终端设备到所述无线云接入控制器的小规模衰减功率分量生成；将每个所述终端设备的无线通信上行参数与所述第二向量进行按位置点乘后获得第三向量；对所述特征矩阵进行基于特征亲和性空间仿射学习的优化以得到优化特征矩阵；以所述第三向量作为查询向量与所述优化特征矩阵进行矩阵相乘以获得第四向量；以及计算所述第四向量中各个位置的类Softmax函数值，所述各个位置的类Softmax函数值用于表示对应的所述终端设备的网络资源的分配比率，其中，所述类Softmax函数值为以所述第四向量中对应位置的特征值为幂的自然指数函数值除以所述第四向量中各个位置的特征值为幂的自然指数函数值的加权和的结果。

[0009] 根据本申请的另一方面，提供了一种无线云接入控制器分布式处理终端设备信息的系统，其包括：硬件资源获取单元，用于获取多个终端设备的本地可用硬件资源；第一向量生成单元，用于将所述硬件资源获取单元获得的所述多个终端设备的本地可用硬件资源构造为第一向量；当前分配网络资源获取单元，用于获得所述多个终端设备的当前分配网络资源；第二向量生成单元，用于将所述当前分配网络资源获取单元获得的所述多个终端设备的当前分配网络资源构造为第二向量；特征矩阵生成单元，用于将所述第一向量生成单元获得的所述第一向量与所述第二向量生成单元获得的所述第二向量的转置进行矩阵相乘以获得输入矩阵并将所述输入矩阵通过卷积神经网络以获得特征矩阵；上行参数计算单元，用于计算各个所述终端设备的无线通信上行参数，其中，所述无线通信上行参数基于所述终端设备的上行带宽、所述终端设备的无线传输功率、所述终端设备到无线云接入控制器的小规模衰减效应参数，以及，所述终端设备到所述无线云接入控制器的小规模衰减功率分量生成；第三向量生成单元，用于将每个所述上行参数计算单元获得的所述终端设备的无线通信上行参数与所述第二向量生成单元获得的所述第二向量进行按位置点乘后获得第三向量；特征矩阵优化单元，用于对所述特征矩阵进行基于特征亲和性空间仿射学习的优化以得到优化特征矩阵；第四向量生成单元，用于以所述第三向量生成单元获得的所述第三向量作为查询向量与所述特征矩阵优化单元获得的所述优化特征矩阵进行矩阵相乘以获得第四向量；以及函数值计算单元，用于计算所述第四向量生成单元获得的所述第四向量中各个位置的类Softmax函数值，所述各个位置的类Softmax函数值用于表示对应的所述终端设备的网络资源的分配比率，其中，所述类Softmax函数值为以所述第四向量中对应位置的特征值为幂的自然指数函数值除以所述第四向量中各个位置的特征值为幂的自然指数函数值的加权和的结果。

[0010] 根据本申请的又一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的无线云接入控制器分布式处理终端设备信息的方法。

[0011] 根据本申请的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的无线云接入控制器分布式处理终端设备信息的方法。

[0012] 与现有技术相比，本申请提供的无线云接入控制器分布式处理终端设备信息的方法、无线云接入控制器分布式处理终端设备信息的系统和电子设备，其采用基于深度学习技术的卷积神经网络模型来提取数据之间的关联特征，通过这样的方式，可以使得无线云接入控制器在分布式处理终端设备信息时，能够基于各个终端设备的本地资源和网络资源之间的关联来协调对于各个终端设备网络资源的分配。

附图说明

[0013] 通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

[0014] 图1为根据本申请实施例的无线云接入控制器分布式处理终端设备信息的方法的应用场景图；

[0015] 图2为根据本申请实施例的无线云接入控制器分布式处理终端设备信息的方法的流程图；

[0016] 图3为根据本申请实施例的无线云接入控制器分布式处理终端设备信息的方法的系统架构示意图；

[0017] 图4为根据本申请实施例的无线云接入控制器分布式处理终端设备信息的方法中，将所述多个终端设备的本地可用硬件资源构造为第一向量的流程图；

[0018] 图5为根据本申请实施例的无线云接入控制器分布式处理终端设备信息的方法中，将所述多个终端设备的当前分配网络资源构造为第二向量的流程图；

[0019] 图6为根据本申请实施例的无线云接入控制器分布式处理终端设备信息的系统的框图；

[0020] 图7为根据本申请实施例的无线云接入控制器分布式处理终端设备信息的系统中第一向量生成单元的框图；

[0021] 图8为根据本申请实施例的无线云接入控制器分布式处理终端设备信息的系统中第二向量生成单元的框图；

[0022] 图9为根据本申请实施例的电子设备的框图。

具体实施方式

[0023] 下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

[0024] 场景概述:如前所述，无线云接入控制器可用于终端设备的统一管理，包括统一下发镜像资源、用户认证、个人数据存储、管理镜像更新等功能，其将虚拟化层置于云接入控制器中，通过推送虚拟机镜像，应用本地资源透传技术，由本地的硬件资源提供计算支撑。另外，通过采用镜像增量更新及P2P加速技术，终端设备可以从云接入控制器获取授权本地启动镜像，大幅提升部署与更新效率。

[0025] 但是，在无线云接入控制器对多个终端设备进行分布式管理时，现行的方案是基于单个设备的资源及带宽条件来进行网络资源的分配。这种方案具有诸多缺陷。

[0026] 首先，由于仅考虑单个设备的资源及带宽条件，故所分配的网络资源可能仅满足单个设备的网络资源需求，而没有考虑各个终端设备之间的关联，导致其他终端设备的网络资源和通信性能可能会受到影响。

[0027] 其次，各个终端设备所形成的通信网络是一个整体，要考虑的是网络整体的性能均衡和网络资源利用率的最大化。也就是，现行的方案也许能满足单个终端设备的需求，但无法使得整个网络对于网络资源的资源利用最大化。

[0028] 因此，期望一种无线云接入控制器分布式处理终端设备信息的方法，也就是，在无线云接入控制器对多个终端设备进行分布式管理时，除了考虑单个设备的资源及带宽条件以外，还需要考虑多个设备之间的基于各自的资源条件的带宽适配问题，也就是，无线云接入控制器在分布式处理终端设备信息时，需要基于各个终端设备的本地资源来协调网络资源。

[0029] 考虑到为了获取多个终端设备之间的关联信息，本申请的申请人采用基于深度学习技术的卷积神经网络模型来提取数据之间的关联特征，也就是，获取多个设备的本地可用硬件资源，并将其按照最大值进行归一化以获得在[0,1]区间内的每个终端设备的本地可用硬件资源值，然后，获得多个设备的当前分配网络资源，并同样进行最大值归一化以获得在[0,1]区间内的每个终端设备的当前分配网络资源值。

[0030] 然后，将多个终端设备的本地可用硬件资源值构造为第一向量S1，并将多个终端设备的当前分配网络资源值构造为第二向量S2，计算 以获得输入矩阵M，并通过卷积神经网络获得特征矩阵F。进一步地，考虑无线云接入控制器与终端设备之间的无线通信工作条件，计算每个终端设备的无线通信上行参数，即： ，
其中  是所述终端设备的上行带宽， 是所述终端设备的无线传输功率， 是所
述终端设备到所述无线云接入控制器的小规模衰减效应参数， 是所述终端设备到所述无线云接入控制器的小规模衰减功率分量，且 表示加性白高斯噪声的功率。

[0031] 特别地，在所述特征矩阵 表示第一向量S1和第二向量S2的逐位置关联的关联特征的情况下，为了在逐位置关联的基础上提升所述特征矩阵 的各个局部分布之间的整体关联性，在本申请的技术方案中，优选地对所述特征矩阵 进行特征亲和性空间仿射学习以进行优化，表示为： ，其中，首先将所述特征矩阵 通过线性变换得到对角矩阵， 表示矩阵的二范数，即
的最大本征值， 表示矩阵的核范数，即矩阵的本征值之和，且n是矩阵的
尺度，即宽度乘以高度， 是优化后的特征矩阵。

[0032] 这里，所述特征亲和性空间仿射学习通过对所述特征矩阵的特征分布空间内的高分辨率信息表征进行低维本征子空间内的详细的结构化信息表达，来以相对低分辨率的信息表征进行基于空间变换的仿射迁移，从而基于逐位置关联值的局部关联特征之间的亲和性（affinity）稠密模拟来实现特征分布在全局矩阵特征分布的各个局部的（即，逐特征值或者特征片段的）超分辨率激活，从而提升优化后的特征矩阵的局部特征分布之间的关联性。

[0033] 然后，将每个终端设备的无线通信上行参数与第二向量S2相乘后得到第三向量S3，再以第三向量S3作为查询向量与特征矩阵F相乘以得到第四向量S4。这样，就可以基于第四向量S4来计算各个位置对应的类Softmax函数值，即exp(xi)/∑i exp(xi)，从而获得每个终端设备对应的概率值，以作为每个终端设备的网络资源的分配比率。

[0034] 基于此，本申请提出了一种无线云接入控制器分布式处理终端设备信息的方法，其包括：获取多个终端设备的本地可用硬件资源；将所述多个终端设备的本地可用硬件资源构造为第一向量；获得所述多个终端设备的当前分配网络资源；将所述多个终端设备的当前分配网络资源构造为第二向量；将所述第一向量与所述第二向量的转置进行矩阵相乘以获得输入矩阵并将所述输入矩阵通过卷积神经网络以获得特征矩阵；计算各个所述终端设备的无线通信上行参数，其中，所述无线通信上行参数基于所述终端设备的上行带宽、所述终端设备的无线传输功率、所述终端设备到无线云接入控制器的小规模衰减效应参数，以及，所述终端设备到所述无线云接入控制器的小规模衰减功率分量生成；将每个所述终端设备的无线通信上行参数与所述第二向量进行按位置点乘后获得第三向量；以所述第三向量作为查询向量与所述优化特征矩阵进行矩阵相乘以获得第四向量；对所述特征矩阵进行基于特征亲和性空间仿射学习的优化以得到优化特征矩阵；以及，计算所述第四向量中各个位置的类Softmax函数值，所述各个位置的类Softmax函数值用于表示对应的所述终端设备的网络资源的分配比率，其中，所述类Softmax函数值为以所述第四向量中对应位置的特征值为幂的自然指数函数值除以所述第四向量中各个位置的特征值为幂的自然指数函数值的加权和的结果。

[0035] 图1图示了根据本申请实施例的无线云接入控制器分布式处理终端设备信息的方法的应用场景图。如图1所示，在该应用场景中，首先，获取多个终端设备（例如，如图1中所示意的T）的本地可用硬件资源以及当前分配网络资源；然后，将所述本地可用硬件资源以及当前分配网络资源输入至部署有无线云接入控制器分布式处理终端设备信息的算法的服务器中（例如，如图1中所示意的S），其中，所述服务器能够以无线云接入控制器分布式处理终端设备信息的算法对所述本地可用硬件资源以及当前分配网络资源进行处理，以生成用于表示对应的所述终端设备的网络资源的分配比率的类Softmax函数值。进而，基于云接入控制器的网络资源总值乘以各个所述终端设备的网络资源的分配比率便得到各个终端设备所分配的网络资源，以基于各个终端设备所分配的网络资源来使得整个网络对于网络资源的资源利用最大化。

[0036] 在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

[0037] 示例性方法:图2图示了无线云接入控制器分布式处理终端设备信息的方法的流程图。如图2所示，根据本申请实施例的无线云接入控制器分布式处理终端设备信息的方法，包括：S110，获取多个终端设备的本地可用硬件资源；S120，将所述多个终端设备的本地可用硬件资源构造为第一向量；S130，获得所述多个终端设备的当前分配网络资源；S140，将所述多个终端设备的当前分配网络资源构造为第二向量；S150，将所述第一向量与所述第二向量的转置进行矩阵相乘以获得输入矩阵并将所述输入矩阵通过卷积神经网络以获得特征矩阵；S160，计算各个所述终端设备的无线通信上行参数，其中，所述无线通信上行参数基于所述终端设备的上行带宽、所述终端设备的无线传输功率、所述终端设备到无线云接入控制器的小规模衰减效应参数，以及，所述终端设备到所述无线云接入控制器的小规模衰减功率分量生成；S170，将每个所述终端设备的无线通信上行参数与所述第二向量进行按位置点乘后获得第三向量；S180，以所述第三向量作为查询向量与所述优化特征矩阵进行矩阵相乘以获得第四向量；S190，对所述特征矩阵进行基于特征亲和性空间仿射学习的优化以得到优化特征矩阵；以及，S200，计算所述第四向量中各个位置的类Softmax函数值，所述各个位置的类Softmax函数值用于表示对应的所述终端设备的网络资源的分配比率，其中，所述类Softmax函数值为以所述第四向量中对应位置的特征值为幂的自然指数函数值除以所述第四向量中各个位置的特征值为幂的自然指数函数值的加权和的结果。

[0038] 图3图示了根据本申请实施例的无线云接入控制器分布式处理终端设备信息的方法的架构示意图。如图3所示，在所述无线云接入控制器分布式处理终端设备信息的方法的网络架构中，首先，将获取的多个终端设备的本地可用硬件资源（例如，如图3中所示意的P1‑Pn）以及当前分配网络资源（例如，如图3中所示意的Q1‑Qn）分别构造为第一向量（例如，如图3中所示意的FV1）和第二向量（例如，如图3中所示意的FV2）；接着，将所述第一向量与所述第二向量的转置（例如，如图3中所示意的FV）进行矩阵相乘以获得输入矩阵（例如，如图3中所示意的IM）并将所述输入矩阵通过卷积神经网络（例如，如图3中所示意的CNN）以获得特征矩阵（例如，如图3中所示意的F1）；然后，计算各个所述终端设备的无线通信上行参数（例如，如图3中所示意的U1‑Un）；接着，将每个所述终端设备的无线通信上行参数与所述第二向量进行按位置点乘后获得第三向量（例如，如图3中所示意的FV3）；对所述特征矩阵进行基于特征亲和性空间仿射学习的优化以得到优化特征矩阵（例如，如图3中所示意的F2）；然后，以所述第三向量作为查询向量与所述优化特征矩阵进行矩阵相乘以获得第四向量（例如，如图3中所示意的FV4）；以及，最后，计算所述第四向量中各个位置的类Softmax函数值（例如，如图3中所示意的圈S），所述各个位置的类Softmax函数值用于表示对应的所述终端设备的网络资源的分配比率（例如，如图3中所示意的R）。

[0039] 在步骤S110和步骤S120中，获取多个终端设备的本地可用硬件资源；并将所述多个终端设备的本地可用硬件资源构造为第一向量。这里，所述终端设备包括但不局限于VR、手机、电脑、平板等。所述本地可用硬件资源包括但不局限于计算机内存、硬盘等。如前所述，应可以理解，考虑到无线云接入控制器在分布式处理终端设备信息时，需要基于各个终端设备的本地资源来协调网络资源，因此，在本申请的技术方案中，为了获取多个终端设备之间的关联信息，本申请采用基于深度学习技术的卷积神经网络模型来提取数据之间的关联特征。

[0040] 具体地，在本申请实施例中，将所述多个终端设备的本地可用硬件资源构造为第一向量，包括：首先，对所述多个终端设备的本地可用硬件资源进行最大值归一化处理，例如，可用公式 计算多个终端设备的本地可用硬件资源的最大值归一化数据，其中，Xi表示各个终端设备的本地可用硬件资源数据，i表示不同的终端设备。这样，可以将所述多个终端设备的本地可用硬件资源转化到0到1的区间内。也就是，获取多个设备的本地可用硬件资源，并将其按照最大值进行归一化以获得在[0,1]区间内的每个终端设备的本地可用硬件资源值。应可以理解，通过这样的方式处理，不仅可以消除数据特征之间的量纲影响，便于度量和后续的分配比率计算，而且还可以便于卷积神经网络的训练与收敛。

[0041] 接着，将归一化后的所述多个终端设备的本地可用硬件资源按终端设备维度进行排列为所述第一向量，其中，所述第一向量中各个位置的特征值表示对应终端设备的本地可用硬件资源的概率化表达。

[0042] 图4图示了根据本申请实施例的无线云接入控制器分布式处理终端设备信息的方法中，将所述多个终端设备的本地可用硬件资源构造为第一向量的流程图。如图4所示，在本申请实施例中，将所述多个终端设备的本地可用硬件资源构造为第一向量，包括：S210，对所述多个终端设备的本地可用硬件资源进行最大值归一化处理，以将所述多个终端设备的本地可用硬件资源转化到0到1的区间内；以及，S220，将归一化后的所述多个终端设备的本地可用硬件资源按终端设备维度进行排列为所述第一向量。

[0043] 在步骤S130中和步骤S140中，获得所述多个终端设备的当前分配网络资源；并将所述多个终端设备的当前分配网络资源构造为第二向量。如前所述，这里，所述终端设备包括但不局限于VR、手机、电脑、平板等。

[0044] 具体地，在本申请实施例中，将所述多个终端设备的当前分配网络资源构造为第二向量，包括：首先，将所述多个终端设备的当前分配网络资源进行最大值归一化处理，以将所述多个终端设备的当前分配网络资源转化到0到1的区间内。也就是，获得多个设备的当前分配网络资源，并同样进行最大值归一化以获得在[0,1]区间内的每个终端设备的当前分配网络资源值。这里，可用公式 计算多个终端设备的当前分配网络资源的最大值归一化数据，其中，Xi表示各个终端设备的当前分配网络资源数据，i表示不同的终端设备。应可以理解，通过这样的方式处理，不仅可以消除数据特征之间的量纲影响，便于度量和后续的分配比率计算，而且还可以便于卷积神经网络的训练与收敛。

[0045] 接着，将归一化后的所述多个终端设备的当前分配网络资源按终端设备维度进行排列为所述第二向量。应可以理解，为了考虑多个设备之间的基于各自的资源条件的带宽适配问题，就需要将多个终端设备的本地可用硬件资源与当前分配网络资源分别构造为第一向量和第二向量以生成输入矩阵。这里，所述第二向量中各个位置的特征值表示对应终端设备的当前分配网络资源的概率化表达。

[0046] 图5图示了根据本申请实施例的无线云接入控制器分布式处理终端设备信息的方法中，将所述多个终端设备的当前分配网络资源构造为第二向量的流程图。如图5所示，在本申请实施例中，将所述多个终端设备的当前分配网络资源构造为第二向量，包括：S310，将所述多个终端设备的当前分配网络资源进行最大值归一化处理，以将所述多个终端设备的当前分配网络资源转化到0到1的区间内；以及，S320，将归一化后的所述多个终端设备的当前分配网络资源按终端设备维度进行排列为所述第二向量。

[0047] 在步骤S150中，将所述第一向量与所述第二向量的转置进行矩阵相乘以获得输入矩阵并将所述输入矩阵通过卷积神经网络以获得特征矩阵。也就是，首先，将所述第一向量S1与所述第二向量S2的转置进行矩阵相乘以获得输入矩阵M。这里，所述第一向量S1与所述第二向量S2的转置相乘表示各个终端设备的本地可用硬件资源和网络分配资源之间的关联性，所述输入矩阵M中的各个位置的特征值表示对应两个终端设备的本地可用硬件资源和网络分配资源之间的关联。接着，以卷积神经网络对所述输入矩阵进行处理，以提取出所述输入矩阵中的局部特征在高维空间中的特征分布表示，以提取出不同终端设备的本地可用硬件资源和网络分配资源数据之间的关联特征，从而得到所述特征矩阵。

[0048] 本领域普通技术人员应知晓，深度卷积神经网络在提取图像局部空间特征方面具有优异的表现。在本申请一个具体的示例中，所述卷积神经网络可被实施为深度残差网络，例如，ResNet 150。本领域普通技术人员应知晓，相较于传统的卷积神经网络，深度残差网络为在传统卷积神经网络的基础上提出的一种优化网络结构，其主要解决在训练过程中的梯度消失的问题。深度残差网络引入了残差网络结构，通过残差网络结构可以把网络层弄得更深，并且，不会发生梯度消失的问题。残差网络借鉴了高速网络的跨层链接思想，其打破了传统的神经网络从N‑1层的输入层只能给N层作为输入的惯例，使某一层的输出可以直接跨过几层作为后面某一层的输入，其意义在于为迭加多层网络而使得整个学习模型的错误率不降反升的难题提供了新的方向。

[0049] 在步骤S160中，计算各个所述终端设备的无线通信上行参数，其中，所述无线通信上行参数基于所述终端设备的上行带宽、所述终端设备的无线传输功率、所述终端设备到无线云接入控制器的小规模衰减效应参数，以及，所述终端设备到所述无线云接入控制器的小规模衰减功率分量生成。应可以理解，在本申请的技术方案中，考虑到无线云接入控制器与终端设备之间的无线通信工作条件，也就是，在无线通信中，当所述终端设备与所述无线云接入控制器进行信号传输时，可能会存在有传输损耗等信号衰减情况，从而导致每个所述终端设备的接收信号不同，以使得每个所述终端设备所分配的网络资源不同，因此，需要计算每个终端设备的无线通信上行参数。

[0050] 具体地，在本申请实施例中，计算各个所述终端设备的无线通信上行参数，包括：以如下公式计算各个所述终端设备的无线通信上行参数，其中，所述公式为：
，其中  是所述终端设备的上行带宽， 是所述
终端设备的无线传输功率， 是所述终端设备到所述无线云接入控制器的小规模衰减效应参数， 是所述终端设备到所述无线云接入控制器的小规模衰减功率分量，且表示加性白高斯噪声的功率。这里，所述小规模衰减效应参数包括路径损失和遮挡损失，以及，所述小规模衰减功率分量与频率相关。

[0051] 在步骤S170中，将每个所述终端设备的无线通信上行参数与所述第二向量进行按位置点乘后获得第三向量。也就是，将每个所述终端设备的无线通信上行参数与所述第二向量进行按位置点乘以得到用于查询的第三向量。这里，每个所述终端设备的无线通信上行参数与所述第二向量进行按位置点乘表示多个所述终端设备的当前分配网络资源与各个的所述终端设备的分配损耗进行融合关联。其中，所述第三向量中的各个位置表示各个所述终端设备融合了分配损耗后的网络资源分配。

[0052] 在步骤S180中，对所述特征矩阵进行基于特征亲和性空间仿射学习的优化以得到优化特征矩阵。也就是，在所述特征矩阵 表示第一向量S1和第二向量S2的逐位置关联的关联特征的情况下，为了在逐位置关联的基础上提升所述特征矩阵 的各个局部分布之间的整体关联性，在本申请的技术方案中，优选地对所述特征矩阵 进行特征亲和性空间仿射学习以进行优化。

[0053] 具体地，在本申请实施例中，对所述特征矩阵进行基于特征亲和性空间仿射学习的优化以得到优化特征矩阵，包括：以如下公式对所述特征矩阵进行基于特征亲和性空间仿射学习的优化以得到优化特征矩阵；其中，所述公式为：，其中， 表示所述特征矩阵， 表
示所述特征矩阵的转置矩阵， 表示所述特征矩阵的二范数， 表示所述特征
矩阵的核范数，且n是所述特征矩阵的尺度， 表示矩阵的指数运算， 表示以2
为底的对数函数值， 是所述优化特征矩阵。

[0054] 这里，所述特征亲和性空间仿射学习通过对所述特征矩阵的特征分布空间内的高分辨率信息表征进行低维本征子空间内的详细的结构化信息表达，来以相对低分辨率的信息表征进行基于空间变换的仿射迁移，从而基于逐位置关联值的局部关联特征之间的亲和性（affinity）稠密模拟来实现特征分布在全局矩阵特征分布的各个局部的（即，逐特征值或者特征片段的）超分辨率激活，从而提升优化后的特征矩阵的局部特征分布之间的关联性。

[0055] 在步骤S190中，以所述第三向量作为查询向量与所述优化特征矩阵进行矩阵相乘以获得第四向量。也就是，将所述第三向量与所述优化特征矩阵进行矩阵相乘以得到用于计算各个终端设备对应网络资源的分配比率的第四向量。应可以理解，这里，所述第三向量与所述优化特征矩阵进行矩阵相乘表示经过各个所述终端设备分配损耗融合后的网络资源分配与不同终端设备的本地可用硬件资源和网络分配资源进行再融合关联。其中，所述第四向量中的各个位置表示各个所述终端设备融合了分配损耗以及不同终端设备的本地可用硬件资源和网络分配资源数据之间的关联特征的所有关联性的网络资源分配。

[0056] 在步骤S200中，计算所述第四向量中各个位置的类Softmax函数值，所述各个位置的类Softmax函数值用于表示对应的所述终端设备的网络资源的分配比率，其中，所述类Softmax函数值为以所述第四向量中对应位置的特征值为幂的自然指数函数值除以所述第四向量中各个位置的特征值为幂的自然指数函数值的加权和的结果。

[0057] 具体地，在本申请实施例中，计算所述第四向量中各个位置的类Softmax函数值，包括：以如下公式计算所述第四向量中各个位置的类Softmax函数值，其中所述公式为： ，其中，xi表示所述第四向量中各个位置的特征值。这样，就可以基
于第四向量S4来计算各个位置对应的类Softmax函数值，即 ，从而获
得每个终端设备对应的概率值，以作为每个终端设备的网络资源的分配比率。

[0058] 进一步地，基于所述云接入控制器的网络资源总值乘以各个所述终端设备的网络资源的分配比率便得到各个终端设备所分配的网络资源。

[0059] 综上，本申请实施例的无线云接入控制器分布式处理终端设备信息的方法被阐明，其为了获取多个终端设备之间的关联信息，采用基于深度学习技术的卷积神经网络模型来提取数据之间的关联特征，通过这样的方式，可以使得无线云接入控制器在分布式处理终端设备信息时，能够基于各个终端设备的本地资源来协调网络资源。

[0060] 示例性系统:图6图示了根据本申请实施例的无线云接入控制器分布式处理终端设备信息的系统的框图。如图6所示，根据本申请实施例的无线云接入控制器分布式处理终端设备信息的系统600，包括：硬件资源获取单元610，用于获取多个终端设备的本地可用硬件资源；第一向量生成单元 620，用于将所述硬件资源获取单元 610获得的所述多个终端设备的本地可用硬件资源构造为第一向量；当前分配网络资源获取单元 630，用于获得所述多个终端设备的当前分配网络资源；第二向量生成单元 640，用于将所述当前分配网络资源获取单元 630获得的所述多个终端设备的当前分配网络资源构造为第二向量；特征矩阵生成单元 650，用于将所述第一向量生成单元 620获得的所述第一向量与所述第二向量生成单元 640获得的所述第二向量的转置进行矩阵相乘以获得输入矩阵并将所述输入矩阵通过卷积神经网络以获得特征矩阵；上行参数计算单元 660，用于计算各个所述终端设备的无线通信上行参数，其中，所述无线通信上行参数基于所述终端设备的上行带宽、所述终端设备的无线传输功率、所述终端设备到无线云接入控制器的小规模衰减效应参数，以及，所述终端设备到所述无线云接入控制器的小规模衰减功率分量生成；第三向量生成单元 670，用于将每个所述上行参数计算单元 660获得的所述终端设备的无线通信上行参数与所述第二向量生成单元 640获得的所述第二向量进行按位置点乘后获得第三向量；特征矩阵优化单元680，用于对所述特征矩阵进行基于特征亲和性空间仿射学习的优化以得到优化特征矩阵；第四向量生成单元 690，用于以所述第三向量生成单元 670获得的所述第三向量作为查询向量与所述特征矩阵优化单元680获得的所述优化特征矩阵进行矩阵相乘以获得第四向量；以及，函数值计算单元 700，用于计算所述第四向量生成单元 690获得的所述第四向量中各个位置的类Softmax函数值，所述各个位置的类Softmax函数值用于表示对应的所述终端设备的网络资源的分配比率，其中，所述类Softmax函数值为以所述第四向量中对应位置的特征值为幂的自然指数函数值除以所述第四向量中各个位置的特征值为幂的自然指数函数值的加权和的结果。

[0061] 在一个示例中，在上述无线云接入控制器分布式处理终端设备信息的系统 600中，如图7所示，所述第一向量生成单元 620，包括：最大值归一化计算子单元 621，用于对所述多个终端设备的本地可用硬件资源进行最大值归一化处理，以将所述多个终端设备的本地可用硬件资源转化到0到1的区间内；以及，第一向量排列子单元 622，用于将归一化后的所述最大值归一化计算子单元 621获得的所述多个终端设备的本地可用硬件资源按终端设备维度进行排列为所述第一向量。

[0062] 在一个示例中，在上述无线云接入控制器分布式处理终端设备信息的系统 600中，如图8所示，所述第二向量生成单元 640，包括：归一化处理子单元 641，用于将所述多个终端设备的当前分配网络资源进行最大值归一化处理，以将所述多个终端设备的当前分配网络资源转化到0到1的区间内；以及，第二向量排列子单元 642，用于将归一化后的所述归一化处理子单元 641获得的所述多个终端设备的当前分配网络资源按终端设备维度进行排列为所述第二向量。

[0063] 在一个示例中，在上述无线云接入控制器分布式处理终端设备信息的系统 600中，所述上行参数计算单元 660，进一步用于：以如下公式计算各个所述终端设备的无线通信上行参数，其中，所述公式为： ，其中  是所述终端设备的上行带宽， 是所述终端设备的无线传输功率， 是所述终端设备到所述无线云接入控制器的小规模衰减效应参数， 是所述终端设备到所述无线云接入控制器的小规模衰减功率分量，且 表示加性白高斯噪声的功率。

[0064] 在一个示例中，在上述无线云接入控制器分布式处理终端设备信息的系统 600中，所述小规模衰减效应参数包括路径损失和遮挡损失，以及，所述小规模衰减功率分量与频率相关。

[0065] 在一个示例中，在上述无线云接入控制器分布式处理终端设备信息的系统 600中，所述函数值计算单元 690，进一步用于：以如下公式计算所述第四向量中各个位置的类Softmax函数值，其中所述公式为： ，其中，xi表示所述第四向量中各个位置的特征值。

[0066] 在一个示例中，在上述无线云接入控制器分布式处理终端设备信息的系统 600中，所述卷积神经网络为深度残差网络。

[0067] 这里，本领域技术人员可以理解，上述无线云接入控制器分布式处理终端设备信息的系统 600中的各个单元和模块的具体功能和操作已经在上面参考图1到图5的无线云接入控制器分布式处理终端设备信息的方法的描述中得到了详细介绍，并因此，将省略其重复描述。

[0068] 如上所述，根据本申请实施例的无线云接入控制器分布式处理终端设备信息的系统 600可以实现在各种终端设备中，例如用于土壤修复的出液量智能控制的服务器等。在一个示例中，根据本申请实施例的无线云接入控制器分布式处理终端设备信息的系统 600可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该无线云接入控制器分布式处理终端设备信息的系统 600可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该无线云接入控制器分布式处理终端设备信息的系统 600同样可以是该终端设备的众多硬件模块之一。

[0069] 替换地，在另一示例中，该无线云接入控制器分布式处理终端设备信息的系统 600与该终端设备也可以是分立的设备，并且该无线云接入控制器分布式处理终端设备信息的系统 600可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

[0070] 示例性电子设备:下面，参考图9来描述根据本申请实施例的电子设备。如图9所示，电子设备包括10包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

[0071] 存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的无线云接入控制器分布式处理终端设备信息的方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如上行参数、特征矩阵等各种内容。

[0072] 在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。

[0073] 该输入系统13可以包括例如键盘、鼠标等等。

[0074] 该输出系统14可以向外部输出各种信息，包括分配比率、网络资源分配值等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

[0075] 当然，为了简化，图9中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

[0076] 示例性计算机程序产品和计算机可读存储介质:除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的无线云接入控制器分布式处理终端设备信息的方法中的功能中的步骤。

[0077] 所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

[0078] 此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的无线云接入控制器分布式处理终端设备信息的方法中的步骤。

[0079] 所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD‑ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

[0080] 以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

[0081] 本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

[0082] 还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

[0083] 提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

[0084] 为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。