Self-Evolving Integrated Vertical Heterogeneous Networks
6 G及以后的网络趋向于完全智能和自适应的设计,以便在维持通用无线接入和支持广泛的服务和用例方面提供更好的操作灵活性,同时有效地处理网络复杂性。这种增强的网络灵活性将需要在设计网络体系结构和资源管理方面开发自演进能力,以智能地利用资源、降低运营成本并实现令人垂涎的服务质量(QoS)。为了实现这种能力,考虑集成垂直异构网络(VHetNet)架构的必要性似乎是不可避免的,因为它具有高度的固有灵活性。此外,采用智能框架是自进化网络处理实时网络优化问题的另一个关键要求。因此,在这项工作中,提供一个更好的洞察网络架构设计,以支持自我进化的网络,我们强调集成VHetNet架构的优点,同时提出了一个智能框架,自我进化的集成垂直异构网络(SEI-VHetNets)。与SEI-VHetNet架构的挑战,对网络管理的影响也研究了考虑一个广义的网络模型。此外,目前的文献集成VHetNet的网络管理以及人工智能(AI)/机器学习(ML)解决方案的最新进展进行了讨论。因此,确定了在SEI-VHetNet中集成AI/ML的核心挑战。最后,潜在的未来研究方向,为提高自主和自我进化能力的SEI-VHetNets进行了讨论。
2022-12-30 cs.NI
Blockchain-Assisted Intelligent Symbiotic Radio in Space-Air-Ground Integrated Networks
在空-地-空综合网络中,为数量不断增长的高动态异构无线电设备管理资源是一项具有挑战性的任务。共生通信(SC)是一种新的通信模式,它利用生物学中自然生态系统的类比,在无线网络中创建一个无线生态系统,实现协同的服务交换和资源共享,服务/资源交易,在众多的无线电。因此,可以利用共生通信的潜力来加强SAGIN中的资源管理。尽管不同的无线资源瓶颈可以通过共生关系相互补充,但异构无线电之间不可靠的信息共享以及不同服务请求下的多维资源管理对可信交易和智能决策提出了严峻挑战。在这篇文章中,我们提出了一个安全和智能的共生SAGIN(S^4)框架,通过使用区块链来确保异构无线电之间的可信交易和机器学习(ML)来指导复杂的服务/资源交易。案例研究表明,我们提出的S^4框架提供了更好的服务与合理的资源管理时,与现有的计划相比。最后,我们讨论了未来共生SAGIN的几个潜在的研究方向。
2022-11-10 cs.NI
Securing Heterogeneous IoT with Intelligent DDoS Attack Behavior Learning
本文提出基于 MEC 的本地化 DDoS 防御框架 MECshield,通过中央控制器协调边缘智能过滤器并依据攻击行为训练 SOM,在三类典型 IoT 流量场景中优于现有方案。
2019-08-07 cs.NI
A Novel Multiple Access Scheme for Heterogeneous Wireless Communications using Symmetry-aware Continual Deep Reinforcement Learning
针对元宇宙场景下异构非平稳无线环境的频谱多址接入难题,提出融合对称性感知持续学习的自适应D3QL智能MAC协议,可与未知传统UE共存,在吞吐量、碰撞率、公平性及实时性上优于传统DRL方案。
2025-02-24 cs.NI
Cognitive-LPWAN: Towards Intelligent Wireless Services in Hybrid Low Power Wide Area Networks
物联网(IoT)通信技术的不断发展和人工智能(AI)的逐渐成熟,带来了强大的认知计算能力。用户现在可以在智慧城市、绿色物联网和异构网络中访问高效便捷的智能服务。人工智能已经应用于各个领域,包括智能家居,先进的医疗保健,自动驾驶和情感互动。本文重点介绍了当前的无线通信技术,包括蜂窝通信技术(4G,5G),低功耗广域(LPWA)技术与非授权频谱(LoRa,SigFox),以及其他LPWA技术支持的3GPP与授权频谱(EC-GSM,LTE-M,NB-IoT)。我们提出了一种认知低功耗广域网(Cognitive-LPWAN)架构,以保障异构物联网中稳定高效的通信。为了确保用户能够高效、便捷地使用AI,我们实现了多种LPWA技术来保护网络层。此外,为了平衡异构物联网设备的需求与通信延迟和能耗,我们从流量控制的角度出发,提出了AI使能的LPWA混合方法。人工智能算法提供了对无线通信技术的智能控制,为不同无线通信技术的选择提供了智能应用和服务。作为一个例子,我们考虑AIWAC情感交互系统,建立认知LPWAN和测试所提出的AI启用LPWA混合方法。实验结果表明,我们的方案可以满足通信延迟的应用需求。Cognitive-LPWAN选择适当的通信技术来实现更好的交互体验。
2018-09-30 cs.NI
Intelligent Task Offloading for Heterogeneous V2X Communications
随着自动驾驶技术的快速发展,智能汽车任务对高处理速率的要求日益提高,而车载处理器资源有限,这两者之间的矛盾越来越难以调和。幸运的是,车辆边缘计算(VEC)已经被提出来满足紧迫的资源需求。由于汽车任务的延迟敏感特性,只有具有多种接入技术的异构车辆网络才能够应对这些苛刻的挑战。在本文中,我们提出了一个智能任务卸载框架在异构车辆网络与三个车辆到一切(V2X)通信技术,即专用短程通信(DSRC),基于蜂窝的V2X(C-V2X)通信,毫米波(mmWave)通信。基于随机网络演算,首先推导了在一定失效概率下不同卸载技术的延迟上界。此外,我们提出了一个联邦Q学习方法,最佳地利用可用的资源,以尽量减少通信/计算预算和卸载故障概率。仿真结果表明,我们提出的算法可以显着优于现有的算法卸载失败概率和资源成本。
2020-06-29 cs.IT cs.NI math.IT
Efficient 3D Road Map Data Exchange for Intelligent Vehicles in Vehicular Fog Networks
通过连接智能车辆以及路边基础设施,可以显著扩展车辆的感知范围,并可以有效地检测和避免盲点处的隐藏物体。为了实现这一点,必须将精确的道路地图数据实时的下载到这些智能车辆中,以用于导航和定位目的。此外,云还必须随着道路网络中发生的动态变化而更新。这些涉及到传输高清3D道路地图数据,以准确地表示物理环境。在这项工作中,我们提出了解决方案下的雾计算架构在异构车辆网络,以优化智能车辆,路边基础设施,以及区域数据库之间的数据交换。具体而言,在路边雾节点的3D道路地图数据传播的效率是通过利用索引编码技术来实现的,以减少整体数据负载,而异构传输的机会主义调度可以做明智地管理网络资源,并最大限度地减少运营成本。此外,3D点云编码和哈希技术被应用于加快网络中的各种动态变化的更新。我们根据车辆的真实移动轨迹和城市街道的3D光检测和测距(LIDAR)数据对所提出的解决方案进行了经验评估。所提出的系统也实现了多机器人试验台的实际评估。
2020-01-13 cs.NI
AoI-Energy-Spectrum Optimization in Post-Disaster Powered Communication Intelligent Network via Hierarchical Heterogeneous Graph Neural Network
本文提出灾后供电通信智能网络PDPCIN及分层异构图神经网络HHGNN框架,联合优化信息年龄、能效和频谱效率,有效应对灾后通信中断与NP-hard多维资源调度挑战。
2025-07-15 cs.NI eess.SP
An Internet of Intelligent Things Framework for Decentralized Heterogeneous Platforms
Computer Science, CUNY--Queens College;Computer Science, CUNY--Graduate Center \& Queens College
针对智能物联网集中式系统存在的瓶颈与安全隐患,提出一种异构去中心化对等网状网络系统模型,结合联邦学习、元启发式算法与多目标优化,实现节点在可靠性、能效和延迟上的协同优化。
2025-09-01 cs.AI cs.NI
On Deep Reinforcement Learning for Traffic Steering Intelligent ORAN
针对5G单体架构难满足异构业务KPI的问题,提出ORAN非实时RIC中基于DRL的三步分层智能流量导引算法,仿真显示性能较基准提升45.50%。
2023-11-07 cs.NI
An Intelligent Call Admission Control Decision Mechanism for Wireless Networks
呼叫接纳控制(CAC)是无线资源管理(RRM)技术中的一种,它在保证具有不同服务质量(QoS)要求的不同应用的用户所期望的服务质量(QoS)方面起着重要的作用。提出了一种基于模糊神经网络的多类业务下一代无线网络(NGWN)的呼叫接纳控制方法。提出的模糊神经呼叫接纳控制(FNCAC)方案是一个综合的CAC模块,它结合了模糊逻辑控制器的语言控制能力和神经网络的学习能力,该模型基于递归径向基函数网络(RRBFN)该模型具有较好的学习性和适应性,可用于开发异构网络中的智能流量处理系统环境建议FNCAC可以实现降低呼叫阻塞概率保持在最佳水平的资源利用率。在所提出的算法中,我们考虑了三个类的流量具有不同的QoS要求。我们已经考虑了异构网络环境,可以有效地处理这种流量。本研究所采用的业务类别为会话业务、交互业务和后台业务,这些业务具有不同的QoS参数。本文还提出了CAC的分析模型,比较了两种模型中三类业务的呼叫阻塞率。仿真结果表明,与基于模糊逻辑的CAC、传统CAC相比,FNCAC算法在呼叫阻塞率最小的情况下具有更好的性能。
2010-04-26 cs.NI
Embodied Intelligent Spectrum Management: A New Paradigm for Dynamic Spectrum Access
Nanjing University of Aeronautics and Astronautics(南京航空航天大学);The Hong Kong University of Science and Technology(香港科技大学)
本文提出具身智能频谱管理范式,通过具身智能技术解决动态频谱接入中的灵活性和通用性问题,展示原型平台并探讨未来研究方向。
2026-02-01 cs.NI
Knowledge Distillation for Intelligent Softwarized Networks: Advances and Open Challenges
Université de Technologie de Compiègne CNRS, Heudiasyc UMR 7253(贡比涅技术大学);Université de Bordeaux, CNRS Bordeaux INP, LaBRI UMR 5800(波尔多大学)
本文综述知识蒸馏在智能软件化网络中的应用,分类分析现有工作,指出其集成零散、探索不足,并展望可扩展、自适应和能量感知蒸馏机制的开放挑战。
2026-09-24 cs.NI
Futuristic Intelligent Transportation System
新兴的自动驾驶汽车(AV)将不可避免地彻底改变交通系统。这是因为自动驾驶汽车的一个关键特征;而不是由人类驾驶员管理的传统车辆,自动驾驶汽车是完全能够管理自己的驾驶。因此,未来的智能交通系统(FITS)可以是一个集中管理和优化的系统,具有完全协调的车辆驾驶,这是目前由人类控制的交通系统所不可能实现的。在这篇文章中,我们设想了当采用自动驾驶汽车、先进的车辆网络(VANELS)和人工智能(AI)时,这种FITS的操作。具体而言,首先在自主车辆和异构车辆通信技术发展的基础上,开发自主车辆网络(Autonomous Vehicle Networks,AVN),实现全局数据汇集和实时数据共享。在此网络架构下,我们以智能数字孪生(IDT)为基础,将AVNs与人工智能相结合,设计了FITS,旨在建立一个准确、高效的全球交通调度系统。最后,通过与传统路径规划方法的比较,研究了一个自定义路径规划案例,对所提方法的性能进行了评估。最后,我们强调了新出现的问题,为未来的研究与FITS。
2021-05-20 cs.NI
Enabling Architecture for Distributed Intelligent Network Softwarization for the Internet of Things
针对物联网异构设备带来的挑战,提出融合SDN、NFV和联邦学习的分布式智能网络软化架构,以提升受限网络的效率与可扩展性。
2024-02-07 cs.NI
Soft-Defined Heterogeneous Vehicular Network: Architecture and Challenges
异构车辆网络(HetVNETworks)通过将不同的接入网络集成在一起,可以满足智能交通系统(ITS)服务的各种服务质量(QoS)要求。然而,HetVNET的当前网络架构不能有效地处理快速变化的网络环境的日益增长的需求。得益于云无线接入网络(Cloud-RAN)的集中化和灵活性,软定义网络(SDN)可以方便地应用于支持未来HetVNET功能和各种应用的动态性,同时降低运营成本。在本文中,我们首先提出了用于实现新网络的多层云RAN架构,其中可以根据车辆用户的需要利用多域资源。然后,详细介绍了软定义HetVNET的高层设计。最后,我们简要讨论了这个新网络的关键挑战和解决方案,证实了它在新兴的第五代(5G)时代的可行性。
2015-10-22 cs.NI
A Synergy of Computing Power Networks and Low-Altitude Economy Intelligent Communications: Challenges, Design Principles, and Research Directions
Nanyang Technological University(南洋理工大学);Jilin University(吉林大学);Inspur Computing Technology Pty Ltd(浪潮计算科技有限公司);Nanjing University of Aeronautics and Astronautics(南京航空航天大学)
本文综述低空经济智能通信与算力网络的双向协同机制,分析双向赋能路径,并提出一体化系统的设计原则与未来研究方向。
2025-09-28 cs.NI
Reconfigurable, Intelligent, and SustainableWireless Environments for 6G Smart Connectivity
关于即将到来的第六代(6 G)网络的各种愿景指向灵活的连接和计算技术,以支持未来的创新服务和相应的用例。6 G应该能够适应不断发展的异构应用、未来的法规以及基于用户、服务和位置的各种需求。构建5G之后的智能和能源可持续无线系统的一个关键要素是可重新配置的智能表面(RIS),它提供了无线传播环境的可编程控制和成形。利用这一技术潜力,在本文中,我们介绍了两个新概念:i)无线环境即服务,它利用一种新的基于RIS的网络模式来权衡各种通常相互冲突的连接目标; ii)基于RIS的连接实现的性能提升区域,代表了高度空间和时间集中的竞争服务提供区域。我们讨论了关键的技术使能因素和研究挑战与建议的网络模式,并强调了潜在的深远作用,RISs在最近的开放式无线电接入网络(O-RAN)架构。
2021-10-14 cs.NI
xDevSM: An Open-Source Framework for Portable, AI-Ready xApps Across Heterogeneous O-RAN Deployments
University of Bologna(博洛尼亚大学);Institute for the Wireless Internet of Things, Northeastern University(东北大学无线互联网研究所)
xDevSM是一个开源框架,旨在降低异构O-RAN部署中AI驱动xApps的开发门槛,通过统一可观测性和控制,提供丰富的KPMs和细粒度资源管理控制,支持智能闭环应用和学习优化。
2026-02-03 cs.NI
Performance Measurement of the Heterogeneous Network
直到今天,我们还梦想着在网络中实现难以察觉的延迟。计算机科学研究的发展速度比以往任何时候都快,提供越来越多的服务(计算表示,图形,智能蕴涵等),它的用户。但问题在于“服务量越大,延误问题就越大”。因此,在现有的或新配置的网络中跟踪延迟,或专注于计算所需时间的性能分析是必要的,以得出改进的结论。在本文中,我们已经做了多服务器系统的延迟分析的工作,。对于这项拟议的工作,我们已经使用了连续参数马尔可夫链(非生灭过程),开发所需的模型,并为开发模拟器,我们使用了排队网络,不同的调度算法在服务器队列和进程调度。该工作可以进一步扩展到无线域的性能测试。
2011-10-17 cs.NI
Global mibility and handover management for heterogeneous network in VANET
车载自组织网络是一种新兴的技术.移动性管理是车载自组织网络支持各种智能交通系统应用的最具挑战性的研究课题之一。车载Ad hoc网络对于车辆间通信越来越重要,因为它们允许车辆之间的通信,而无需任何基础设施、配置工作,并且没有蜂窝网络的高成本。除了本地数据交换,车辆应用程序可以用于访问互联网服务。访问由位于路边站点的互联网网关提供。然而,互联网集成需要车载自组织网络的相应移动性支持。在本文中,我们将研究在车载自组网的网络移动性的方法,该模型将描述车辆从一个网络到另一个网络的运动。提出的切换方案减少了切换延迟,分组丢失信令开销。
2013-10-18 cs.NI
Admission Control with Reconfigurable Intelligent Surfaces for 6G Mobile Edge Computing
针对6G网络中RIS与MEC增强下的用户准入控制难题,提出基于角度过滤、优先级队列和用户分组的优化框架,在高负载下实现高优先级eURLLC服务超90%准入率。
2025-04-20 cs.NI
Understanding the Gain of Deploying IRSs in Large-scale Heterogeneous Cellular Networks
本文利用随机几何分析大规模IRS辅助K层异构蜂窝网络,推导覆盖概率与空间吞吐量,证明IRS带来显著增益,并给出增益极限的分析框架。
2023-02-07 cs.NI
Managing Heterogeneous WSNs in Smart Cities: Challenges and Requirements
无线通信和电子技术的巨大进步使得无线传感器网络(WSNs)得以发展。无线传感器网络由许多负担得起的和便携式的传感器节点从环境中收集数据。在这篇文章中,我们通过介绍智能城市环境中的一些关键管理场景,如智能交通系统,智能电网和智能建筑,来解决无线传感器网络的管理需求。无线传感器网络的资源有限性和异构性给网络管理带来了新的挑战,包括各种故障的存在、大量传感器节点更换和修复的困难、拓扑结构的不确定性以及资源分配问题。为了应对这些挑战,我们首先讨论了集中式和分布式管理方法的优点和缺点,然后讨论了多级管理模式的好处。接下来,我们详细介绍了无线传感器网络管理系统的具体功能,如轻量级,自检测,自配置,共享基础设施,服务监控,即插即用,上下文感知和互操作性。最后,我们提出了一些基本的管理功能所需的机制。
2013-10-28 cs.NI
Routing Optimization Based on Distributed Intelligent Network Softwarization for the Internet of Things
本文提出基于联邦深度强化学习的分布式智能路由优化方法,结合分布式控制器与智能路由,提升受限物联网网络的性能与能源效率。
2025-01-20 cs.NI
Towards a Heterogeneous Smart Electromagnetic Environment for Millimeter-Wave Communications: An Industrial Viewpoint
第五代(5G)及以后的通信系统为毫米波(mmWave)频段打开了大门,以利用超大的工作带宽并提供前所未有的网络容量。这些频带受到高传播损耗的影响,这严重限制了可实现的覆盖范围。解决这个问题的最简单方法是增加安装的毫米波基站(BS)的数量,同时增加整体网络成本,功耗和电磁场(EMF)水平。作为替代方向,在这里,我们建议用智能电磁(智能EM)实体的异构部署来补充毫米波BS的宏层-即IAB节点,智能中继器,可重新配置智能表面(RIS)和无源表面-这是明智的计划,以最大限度地减少总安装成本,同时优化网络频谱效率。初步的网络规划结果强调了所提出的方法的有效性。现有的技术和实现这一观点的关键研究方向进行了彻底讨论,从系统级设计到新材料的开发等问题。
2022-02-24 cs.NI
An LLM-Agent-Based Framework for Age of Information Optimization in Heterogeneous Random Access Networks
College of Electronics and Information Engineering, Shenzhen University(深圳大学电子与信息工程学院)
本文提出Reflex-Core框架,通过LLM代理优化异构网络中的信息年龄,实现更高效的随机接入控制。
2026-01-26 cs.NI
Service Aware Fuzzy Logic Based Handover Decision in Heterogeneous Wireless Networks
随着无线通信技术的发展,无线通信网络的泛在服务正在迅速增长。当用户从一个小区漫游到另一个小区时,智能决策机制和网络选择对于在切换期间保持服务质量(QoS)是极其关键的。切换决策必须准确,以避免任何不必要的现象,如乒乓球,角落效应,呼叫阻塞,呼叫掉线等。这项工作考虑了业务类型,如语音,视频,数据和他们的QoS要求,在异构网络环境中使用模糊逻辑切换决策。服务是影响用户的一个重要因素,特定的服务需要相应的QoS。本文提供了所有的情况下,宏蜂窝和毫微微蜂窝网络之间的切换决策考虑服务类型。所提出的系统使用模糊逻辑来对这些切换决策进行建模,该模糊逻辑考虑了几个输入参数,例如接收信号强度指示符(RSSI)、数据率、用户速度和干扰水平(信噪比加干扰比),以进行从毫微微小区到宏小区、宏小区到毫微微小区或毫微微小区到毫微微小区的切换。根据不同的业务类型,分析了不同参数的性能.
2018-10-05 cs.NI
A Novel Hierarchical Ant based QoS aware Intelligent Routing Scheme for MANETS
West Bengal University of Technology(西孟加拉技术大学)
移动自组网是移动设备的集合,没有集中控制,也没有预先存在的基础设施。由于节点的移动性,在这种类型的网络中的路由过程中支持QoS是一个非常具有挑战性的任务。为了解决这种类型的开销,许多路由算法与聚类方法已被提出。分簇是一种有效的网络性能、路由协议设计、服务质量等资源管理方法。大部分平面网络结构包含同质的节点容量,但在实时的节点具有异构的容量和传输功率。分层路由提供了通过这种异构节点的路由。在这里,路由可以分层记录,跨集群,以增加路由的灵活性。除此之外,它还增加了路由的可扩展性和鲁棒性。在本文中,一种新的基于蚂蚁的QoS感知路由提出了一个三级层次簇的拓扑结构在移动自组网中,这将是更可扩展性和效率相比,平面架构,并会提供更好的吞吐量。
2013-12-07 cs.AI cs.NI
COSMO: O-RAN-Based Service Management and Orchestration for Cross-Technology Multi-Tenant Radio Access Networks
Satelliot;i2CAT Foundation(i2CAT基金会)
本文提出COSMO平台,通过统一编排异构3GPP和非3GPP接入网络,支持跨技术多租户动态资源分配与SLA保障,并集成非实时RIC实现智能闭环控制,实验表明SLA违规率从21%降至10%以下。
2026-06-03 cs.NI
Review and Analysis of Recent Advances in Intelligent Network Softwarization for the Internet of Things
本文综述了物联网、网络软化与机器学习的概念,分析了智能ML使能网络软化在物联网中的最新进展,并指出了未来研究方向。
2024-02-07 cs.NI
Swarm Behavior of Intelligent Cloud
在本文中,主要目的是展示群体智能的权力,在基于云的场景。整个云网络的服务器端网络已经配置了异构环境。在所提出的系统中,不同类型的服务器被用来管理有用的各种气氛。采用了群体智能来提高整个系统网络的性能。网络服务器端的特定位置将由群体智能概念选择,以访问所需的元素。灵活性、鲁棒性和自组织性是群体智能的主要特征,在设计系统环境时需要考虑这些因素。
2012-03-07 cs.DC cs.NI
Network Slice-based Low-Altitude Intelligent Network for Advanced Air Mobility
本文提出基于网络切片的低空智能网络(LAIN)框架,利用5G/6G切片技术动态调整通信与计算资源,通过接入配对、预评估算法和深度强化学习编排机制,解决eVTOL动态任务卸载挑战,显著提升资源分配效率并降低运营成本。
2025-01-28 cs.NI
Future of Ultra-Dense Networks Beyond 5G: Harnessing Heterogeneous Moving Cells
在过去的40年里,蜂窝行业一直依赖于具有总的过度供应的静态无线电接入部署。然而,为了满足呈指数级增长的不规则数据量,必须重新考虑单元的概念,以允许它们按需和自动化方式进行(重新)配置。这项工作提出了移动网络的愿景,以匹配动态用户需求与超5G蜂窝系统中的网络接入供应。由此产生的自适应和灵活的网络基础设施将利用具有智能能力的设备(例如,汽车和无人机)。这项工作是对我们在这一领域所做努力的回顾,其目标是为全面的研究议程做出贡献。特别注意的是量化的网络性能扩展和会话连续性增益与超密集移动小区。我们的研究结果认为,与传统的(静态)蜂窝接入基础设施的水平上整合移动接入点的非增量的好处。
2019-04-26 cs.NI
Generative Adversarial Learning for Intelligent Trust Management in 6G Wireless Networks
Chongqing University of Posts and Telecommunications(重庆邮电大学);University of Guelph(圭尔夫大学);Hosei University(法政大学)
新兴的第六代移动通信(6G)融合了异构无线网络,能够无缝支持随时随地的联网。但6G应该提供高质量的信任,以满足移动用户的期望。人工智能(AI)被认为是6G最重要的组成部分之一。基于人工智能的信任管理是提供可信和可靠服务的一个很有前途的范例。在这篇文章中,提出了一种用于6G无线网络的生成式对抗学习信任管理方法。首先回顾了一些典型的基于人工智能的信任管理方案,然后介绍了一种潜在的异构和智能的6G架构。接下来,开发了AI和信任管理的集成,以优化智能和安全性。最后,提出的基于人工智能的信任管理方法应用于安全聚类,以实现可靠和实时的通信。仿真结果表明,该算法在保证网络安全和服务质量方面具有良好的性能。
2022-08-02 cs.AI cs.LG cs.NI
Envisioning Device-to-Device Communications in 6G
为了满足各种新兴应用的需求,未来的第六代(6G)移动网络预计将是一个天生智能的、高度动态的、超密集的异构网络,其以极低延迟和高速数据传输将所有事物互连。人工智能(AI)将是最具创新性的技术,可以在未来复杂的6G网络中实现智能自动化的网络运营、管理和维护。在人工智能技术的推动下,设备到设备(D2D)通信将成为6G拼图中的一块。为了在未来6G中构建智能D2D的有效实现,我们概述了许多与6G相关的潜在D2D解决方案,包括移动边缘计算,网络切片和非正交多址(NOMA)认知网络。
2019-12-12 cs.NI eess.SP
Intelligent Transportation Systems' Orchestration: Lessons Learned & Potential Opportunities
Western University(西安大略大学);ISSAE-Cnam Liban(黎巴嫩国立应用科学学院-法国国立工艺学院);CNAM Paris(巴黎法国国立工艺学院)
全球5G网络的部署力度不断加大,加速了企业/服务的数字化转型。这种增长导致了对新通信技术的需求,这将促进这一转变。6 G被提议作为实现这一目标的一组技术和架构。在5G网络出现并将继续在6 G网络中发挥关键作用的主要用例之一是智能交通系统(ITS)。开发和部署高效率和高效力的信息技术系统预计会带来各种好处,但同时也带来了一系列需要解决的独特挑战。一个突出的挑战是ITS编排,由于各种支持技术和异构网络用于提供所需的ITS应用程序/服务。为此,本文重点介绍了ITS编排的挑战,详细突出了相关的文献,并列出了从目前的ITS部署编排工作的经验教训。它还提供了多种潜在的数据驱动的研究机会,其中可以部署强化学习和联邦学习等范例,以提供有效和高效的ITS编排。
2022-05-05 cs.LG cs.NI
Harnessing Large Language Models for Intelligent Resource Allocation in the Internet of Everything
University of Science and Technology Beijing(北京科技大学)
该研究针对万物互联的动态资源调度挑战,提出大语言模型驱动的资源分配方案,构建多维调度决策模型并引入反馈模块,仿真显示其在收敛速度等指标上表现优异。
2026-07-30 cs.LG cs.NI
Machine Learning Empowered Intelligent Data Center Networking: A Survey
East China Normal University(华东师范大学);University of Technology Sydney(悉尼科技大学);Hamad Bin Khalifa University(哈马德·本·哈利法大学)
为了支持不断增长的基于云的服务的需求,数据中心中的服务器和网络设备的数量呈指数级增长,这反过来又导致网络优化的高度复杂性和困难。为了应对这些挑战,学术界和工业界都转向人工智能技术来实现网络智能。为此,近几年来,提出了相当多新颖的和创造性的基于机器学习(ML-based)的研究工作。然而,数据中心网络的智能优化仍然面临着巨大的挑战,尤其是在海量异构业务和流量数据的在线实时动态处理场景下。据我们所知,目前对智能DCN缺乏系统的、原创性的全面研究和深入分析。为此,本文全面研究了机器学习在数据中心网络中的应用,并对近年来的研究成果进行了综述和深入分析,包括流量预测、流量分类、负载均衡、资源管理、路由优化和拥塞控制等。为了提供一个多维度和多角度的各种解决方案的比较,我们设计了一个质量评估标准称为REBEL-3S公正地衡量这些研究工作的优势和劣势。此外,我们还提出了对数据中心网络和机器学习融合的技术演进的独特见解,以及一些挑战和潜在的未来研究机会。
2022-03-01 cs.LG cs.NI
Octopus: A Heterogeneous In-network Computing Accelerator Enabling Deep Learning for network
针对现有可编程网内计算设备无法承载深度学习网络模型的问题,提出异构网内计算加速器Octopus,通过特征提取器、异构协同计算等设计,在FPGA上实现了低延迟高吞吐的网络深度学习推理加速。
2023-08-22 cs.AR cs.NI
Sparsity-Aware Intelligent Massive Random Access Control in Open RAN: A Reinforcement Learning Based Approach
Xiamen University(厦门大学);Stevens Institute of Technology(史蒂文斯理工学院);Mohamed Bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
新兴的开放无线接入网(O-RAN)中设备的大规模随机接入给接入控制和管理带来了巨大的挑战。稀疏主动用户检测(SAUD)利用访问请求的突发性,是实现高效访问管理的有效手段,但在不协调的大规模访问请求情况下,稀疏性可能会恶化。为了动态地保持接入请求的稀疏性,提出了一种利用接入类别限制技术的闭环接入控制的重复学习(RL)辅助方案,其中RL策略通过RL代理之间的连续交互来确定,即,下一代节点库(gNB)和环境。所提出的方案可以通过O-RAN中的近实时RAN智能控制器(near-RT RIC)来实现,支持异构垂直应用(例如mMTC和uRLLC服务)之间的快速切换。此外,提出了一种数据驱动的深度强化学习辅助SAUD方案,以解决具有连续和高维状态和动作空间的高度复杂环境,其中重放缓冲区用于自动大规模数据汇集。一个行动者-评论家框架制定纳入近RT RIC的策略学习模块。仿真结果表明,对于不同的异构服务和海量接入请求,所提方案在接入效率和用户检测准确率方面均优于基准方案.
2023-03-05 cs.AI cs.IT cs.LG
Optimal Planning for Heterogeneous Smart Radio Environments
本文针对6G智能无线电环境,提出FCMC和MBCC两种优化方法,在真实城市场景中规划RIS、NCR、STAR RIS和3SNCR等异构组件,以最小成本或预算约束实现最优覆盖,显著提升高密度城市网络规划效率。
2024-11-23 cs.NI eess.SP
SIDLE: Semantically Intelligent Distributed Leader Election Algorithm for Wireless Sensor Networks
本文介绍了一组无线传感器和执行器网络(WSAN)的部署物联网(IoT)系统在农村地区部署的无人机下降传感器和执行器在一定的位置作为一个网格的六边形形式。节点在硬件和功能上是异构的,因此并非所有节点都能够直接向基站传输数据。原始的只能收集本地数据。然而,那些更复杂的装备有远程无线电遥测和更多的计算能力。功耗优化是设计WSAN的关键因素之一。总功耗必须最小化,因为传感器是自我管理的。按时间基准收集传感器并给电池充电是不可行的。因此,能源消耗优化和收获绿色能源是考虑的其他因素。在这方面,协议被设计成支持这种要求。预处理的数据首先由每个六边形单元的领导者收集和组合。然后,将信息分组发送到头簇。因此,头簇重新处理接收到的信息,并使用各种接收到的信息来描绘区域的更好的全局视图。最后,处理后的信息被发送到最近的基站或移动无人机。
2022-06-14 cs.DC cs.NI
A Vision of Self-Evolving Network Management for Future Intelligent Vertical HetNet
未来的集成地面-空中-卫星网络必须表现出一些前所未有的特性,以提供通信和计算服务,并为大量设备提供安全性,这些设备在多个网络,运营商和生态系统中具有非常广泛和苛刻的要求。尽管3GPP在4G和5G文档中引入了自组织网络(SON)的概念以自动化网络管理,但即使是这种渐进的概念也将面临若干挑战,因为它可能无法足够敏捷地应对所设想的超越5G集成网络中的巨大复杂性、异构性和移动性。在所提出的愿景中,我们讨论了未来的集成网络如何能够智能和自主地管理,以有效地利用资源,降低运营成本,并实现目标的体验质量(QoE)。我们引入了“自进化网络(SENs)”框架的新概念,该框架利用人工智能,由机器学习(ML)算法实现,使未来的集成网络在网络,通信,计算和基础设施节点的移动性的提供,适应,优化和管理方面完全自动化和智能化。为了在未来的综合网络中设想SEN的概念,我们使用智能垂直异构网络(I-VHetNet)架构作为参考。本文讨论了SEN在提供自动化网络管理方面发挥主要作用的五个突出场景。数值结果提供了一个洞察SEN框架如何提高未来的综合网络的性能。本文介绍了领先的使能器,并探讨了与SEN概念在未来综合网络中的应用相关的挑战。
2021-03-10 cs.NI cs.SY eess.SY
Optimisation of Resource Allocation in Heterogeneous Wireless Networks Using Deep Reinforcement Learning
African Institute for Mathematical Sciences, South Africa(非洲数学科学研究所,南非);University of Cape Town, South Africa(开普敦大学,南非)
本文提出基于深度强化学习的近实时RAN智能控制器,通过联合优化发射功率、带宽切片和用户调度,减少能耗并提升用户公平性。
2026-04-07 cs.LG cs.NI eess.SP
AI in 6G: Energy-Efficient Distributed Machine Learning for Multilayer Heterogeneous Networks
New Jersey Institute of Technology(新泽西理工学院)
要支持具有严格服务质量(QoS)要求的极端异构应用,熟练的网络管理至关重要;在设想复杂和超密集的6 G移动异构网络(HetNet)时,更是如此。从环境和经济的角度来看,非同质的QoS需求阻碍了设想的鲁棒网络的能量足迹和运营成本的最小化。因此,网络智能化有望在实现这些复杂目标方面发挥重要作用。人工智能(AI)和移动网络的融合将允许网络功能的动态和自动配置。机器学习(ML)是人工智能的支柱之一,将有助于预测网络负载和资源利用率的变化,估计信道条件,优化网络切片以及增强安全性和加密。然而,众所周知,ML任务本身会产生巨大的计算负担和能源成本。为了克服这些障碍,我们提出了一种新的基于层的HetNet架构,该架构可以在网络层和实体之间最佳地分配与不同ML方法相关的任务;这样的HetNet拥有多个访问方案以及设备到设备(D2 D)通信,通过协作学习和通信来提高能源效率。
2022-06-04 cs.DC cs.LG cs.NI
VINEVI: A Virtualized Network Vision Architecture for Smart Monitoring of Heterogeneous Applications and Infrastructures
Institute of Exact and Technological Sciences (IEP), Federal University of Viçosa(维索萨联邦大学精确与技术科学研究所);Faculty of Computing (FACOM), Federal University of Uberlândia(Uberlândia联邦大学计算学院)
本文提出VINEVI架构,通过节点嵌入式实时流量分类代理并结合Prometheus等工具,实现对异构物理与虚拟化基础设施及应用的全栈细粒度无缝监控。
2024-12-26 cs.AI cs.CV cs.LG
Generative AI-enabled Quantum Computing Networks and Intelligent Resource Allocation
本文针对量子计算网络中的资源分配难题,提出基于随机规划和多智能体强化学习的智能资源分配框架,以降低资源成本并提升网络可扩展性。
2024-01-13 cs.NI eess.SP quant-ph
From Federated to Fog Learning: Distributed Machine Learning over Heterogeneous Wireless Networks
Purdue University(普渡大学);NC State University(北卡罗来纳州立大学)
机器学习(ML)任务在当今的网络应用中变得无处不在。联邦学习最近出现了一种技术,通过利用收集数据的节点的处理能力,在网络边缘训练ML模型。在当代网络中采用传统的联邦学习存在一些挑战,这是由于跨设备存在的计算和通信能力的显著异质性。为了解决这个问题,我们提倡一种称为雾学习的新学习范式,它将智能地将ML模型训练分布在从边缘设备到云服务器的连续节点上。雾学习沿着三个主要维度增强了联邦学习:网络、异构性和邻近性。它认为是一个多层混合学习框架,包括异构设备与各种接近。它说明了每个网络层的异构节点之间的本地网络的拓扑结构,通过设备到设备(D2 D)通信将它们编排用于协作/协作学习。这从用于联邦学习中参数传输的星形网络拓扑迁移到更大规模的分布式拓扑。我们讨论了实现雾学习的几个开放的研究方向。
2020-10-23 cs.DC cs.LG cs.NI
Intelligent Spectrum Sharing in Integrated TN-NTNs: A Hierarchical Deep Reinforcement Learning Approach
本文提出一种分层深度强化学习(HDRL)框架,通过分解复杂频谱共享问题并利用网络层级在不同时间尺度优化分配决策,有效解决了集成TN-NTN中的高维动态频谱管理挑战,显著提升了多层环境下的频谱效率与网络容量。
2025-03-09 cs.NI cs.SY eess.SP
CoEdge: Cooperative DNN Inference with Adaptive Workload Partitioning over Heterogeneous Edge Devices
Sun Yat-sen University(中山大学);University of Nevada, Reno(内华达大学里诺分校);Arizona State University(亚利桑那州立大学)
人工智能的最新进展已经推动了网络边缘的智能应用,例如灵巧家庭、智能工厂和智能城市。为了在资源受限的边缘设备上部署计算密集型深度神经网络(DNN),传统方法依赖于将工作负载卸载到远程云或在本地优化终端设备的计算。然而,云辅助的方法受到不可靠和延迟显著的广域网,和本地计算方法受到限制的计算能力。协同执行机制为实现高性能边缘智能提供了一种新的范式,近年来引起了越来越多的研究兴趣。在本文中,我们提出了CoEdge,这是一个分布式DNN计算系统,可以在异构边缘设备上协调协作DNN推理。CoEdge利用边缘的可用计算和通信资源,并根据设备的计算能力和网络条件动态划分DNN推理工作负载。基于实际原型的实验结果表明,CoEdge算法在推理延迟接近的情况下,比现有算法具有更好的节能效果,对4种广泛采用的CNN模型,其能耗降低幅度可达25.5%~66.9%.
2020-12-06 cs.CV cs.DC cs.NI
CollaPipe: Adaptive Segment-Optimized Pipeline Parallelism for Collaborative LLM Training in Heterogeneous Edge Networks
State Key Laboratory of Networking and Switching Technology(网络与交换技术国家重点实验室);Beijing University of Posts and Telecommunications(北京邮电大学);Singapore University of Technology and Design(新加坡科技设计大学);School of Electronics, Electrical Engineering and Computer Science(电子、电气与计算机科学学院);Queen’s University Belfast(贝尔法斯特女王大学);Dept. of Electrical Engineering & Computer Science(电气与计算机科学系);Lassonde School of Engineering(拉索nde 工程学院);York University(约克大学);College of Computing and Data Science(计算与数据科学学院);Nanyang Technological University(南洋理工大学)
CollaPipe提出一种混合分布式学习框架,通过自适应分段流水线并行与联邦聚合,在异构边缘网络中高效训练LLM,显著提升计算效率、降低延迟和内存占用。
2025-09-24 cs.AI cs.NI cs.SY