On the Design of MAC Protocol and Transmission Scheduling for Internet of Things
随着无线传感器网络技术实现无处不在的感知，物联网（IoT）正在发展到现代生活的许多领域。能够进行无线通信的廉价物联网设备和平台能够测量、推断和理解环境指标，从脆弱的生态和自然资源到城市环境。在本文中，我们首先研究了一种可扩展的基于多模的MAC协议，IoT-MAC，它包括一个信道竞争期和一个数据传输期，以减少由于许多物联网设备共存而导致的信道接入竞争。其次，我们研究了一种数据传输调度算法，以在物联网节点无线链路质量和剩余能量的约束下最大化数据汇集，同时确保公平地访问无线信道。为了研究数据接收速率、分组丢失率和延迟的性能，我们评估了不同数据率和不同网络规模的IoT MAC和调度算法。
2016-12-26 cs.NI
Q-Learning-Based Time-Critical Data Aggregation Scheduling in IoT
Convergence Research Institute, Sungkyunkwan University, Suwon, South Korea（顺天大学 convergence 研究院，韩国首尔南）；School of Electrical and Electronic Engineering, Hanoi University of Science and Technology, Hanoi, Vietnam（河内科学技术大学电气与电子工程学院，越南河内）；Dept. of Electrical and Computer Engineering, Sungkyunkwan University, Suwon, South Korea（顺天大学电气与计算机工程系，韩国首尔南）
本文提出基于Q学习的物联网时间敏感数据聚合调度框架，通过动态学习最优调度策略，实现低延迟的数据聚合。
2025-10-29 cs.LG cs.NI
Optimal energy-aware task scheduling for batteryless IoT devices
针对无电池物联网设备的间歇供电问题，提出能量感知任务调度算法，通过混合整数线性规划避免电源故障，并发现未来8次任务执行的前瞻预测时间即可实现最优调度。
2024-02-07 cs.NI
Enhanced Hybrid Automatic Repeat Request Scheduling for Non-Terrestrial IoT Networks
本文针对非地面网络中的蜂窝物联网通信，提出增强型混合自动重传请求调度方法以缓解长往返时间和高路径损耗导致的吞吐量下降，仿真验证了数据速率增益。
2023-05-11 cs.NI eess.SP
Channel-Dependent Scheduling in Wireless Energy Transfer for Mobile Devices
谐振波束充电（RBC）是无线功率传输（WPT）技术，可为物联网（IoT）设备提供大功率、远距离、移动和安全的无线充电。支持多个物联网设备同时充电是RBC系统的一个重要功能。为了优化多用户充电性能，应该调度发射功率以同时为所有IoT设备充电。为了让所有物联网设备尽可能长时间地工作以实现公平性，我们提出了先接入先收费（FAFC）调度算法。然后，我们制定了定量的调度参数的算法实现。最后，我们分析了FAFC调度算法的性能，考虑的影响，接收机数量，发射功率和充电时间。在此基础上，总结了提高多物联网设备WPT性能的方法，包括限制接收端数量、提高发射功率、延长充电时间和提高单用户充电效率。FAFC调度算法设计和分析为多用户RBC系统提供了一个公平的WPT解决方案。
2020-04-14 cs.NI eess.SP
AoI-minimizing Scheduling in UAV-relayed IoT Networks
George Mason University（乔治梅森大学）；Virginia Tech（弗吉尼亚理工学院暨州立大学）
由于灵活性、自主性和低操作成本，作为固定空中基站的无人驾驶飞行器（UAV）越来越多地被用作\textit{relays}来收集时间敏感信息敏感信息（即，状态更新），并将其传递到附近的地面基站（TBS），在那里信息得到处理。为了确保信息（从所有IoT设备）到TBS的及时递送，时间敏感信息在两跳UAV中继IoT网络（即，IoT设备到UAV [跳1]，以及UAV到TBS [跳2]）成为关键挑战。为了解决这个问题，我们提出了在这种两跳无人机中继物联网网络中最小化信息年龄（AoI）的调度策略。为此，我们提出了一种低复杂度的MAF-MAD调度器，该调度器采用最大AoI优先（MAF）策略来对UAV（跳1）处的IoT设备进行采样，并采用最大AoI差异（MAD）策略来更新从UAV到TBS（跳2）的采样数据包。我们表明，MAF-MAD是理想条件下的最佳调度，即，无差错信道和在物联网设备上随意生成流量。相反，对于现实条件，我们提出了一种基于Deep-Q-Networks（DQN）的调度器。我们的仿真结果表明，基于DQN的调度器优于MAF-MAD调度器和其他三个基线调度器，即，最大AoI优先（MAF）、循环调度（RR）和随机，在网络较小（具有数十个IoT设备）的一般条件下在两跳处采用。然而，它不能很好地扩展网络规模，而MAF-MAD在所有考虑的大型网络场景下都优于所有其他路由器。
2021-09-24 cs.AI cs.NI eess.SP
State-Aware IoT Scheduling Using Deep Q-Networks and Edge-Based Coordination
New York University（纽约大学）；Washington University in St. Louis（圣路易斯华盛顿大学）；Vanderbilt University（范德堡大学）；Northeastern University（东北大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
针对智能物联网设备能效管理难题，提出结合深度Q网络与边缘协作的状态感知调度方法，通过状态聚合与协作图建模优化资源分配，实验表明在能耗、延迟和资源利用率上优于基线。
2025-04-22 cs.LG cs.NI
Master Graduation Thesis: A Lightweight and Distributed Container-based Framework
边缘/雾计算是一种新的计算范式，为资源有限的物联网（IoT）设备提供可扩展的计算和存储资源。与云计算相比，边缘/雾服务器的资源更少，但可以以更高的带宽和更少的通信延迟访问。因此，集成边缘/雾和云基础设施可以支持执行各种延迟敏感和计算密集型物联网应用。尽管一些框架试图提供这种集成，但仍然存在一些挑战需要解决，例如不同物联网应用的动态调度，可扩展性机制，多平台支持以及支持不同的交互模型。为了克服这些挑战，我们提出了一个轻量级和分布式的基于容器的框架，称为FogBus 2。它提供了一种调度异构物联网应用程序的机制，并实现了几种调度策略。此外，它提出了一种优化的遗传算法，以获得快速收敛到合适的解决方案。此外，它还提供了一种可扩展性机制，以确保在物联网设备数量增加或资源负担过重时的有效响应。此外，FogBus 2的动态资源发现机制有助于新实体快速加入系统。我们还开发了两个物联网应用程序，称为康威的生命游戏和视频光学字符识别，以证明FogBus 2在处理实时和非实时物联网应用程序方面的有效性。实验结果表明，FogBus 2的调度策略与其他调度策略相比，将物联网应用的响应时间提高了53%。此外，与不支持可伸缩性的框架相比，可伸缩性机制可以减少高达48%的排队等待时间。
2021-08-08 cs.DB cs.DC cs.NI
Differentiating Network Flows for Priority-Aware Scheduling of Incoming Packets in Real-Time IoT Systems
当代表操作系统内核线程无条件地执行IP分组处理时，处理系统可能在高传入业务场景中经历过载。对于在工业物联网场景和汽车系统中控制其物理环境的嵌入式实时的【形】设备来说，这尤其令人担忧。我们提出了一个嵌入式实时的【形】感知IP栈适应与早期解复用方案传入的数据包和随后的每流非周期性调度。通过检测现有的嵌入式IP堆栈，部署具有最小延迟的刚性优先级，而无需进一步的任务资源。简单的缓解技术可以应用于单个流，导致几乎不可测量的开销，同时保护系统免受过载条件的影响。与未修改的堆栈相比，我们的IP堆栈自适应能够减少86%以上的低优先级数据包处理时间。因此，网络子系统可以在禁用接收IRQ作为确保最后期限的最后手段之前在7倍更高的一般业务负载下保持活动。
2022-04-19 cs.NI cs.OS
Data-Driven Predictive Scheduling in Ultra-Reliable Low-Latency Industrial IoT: A Generative Adversarial Network Approach
迄今为止，基于模型的低延迟可靠通信对于时间关键的无线控制系统至关重要。在这项工作中，我们研究了下行链路（DL）的制造商到执行器调度问题，在无线工业网络，使中断概率最小化。与现有文献中基于公知的平稳衰落信道模型相比，我们假设一个任意的和未知的信道衰落模型，它只能通过样本。为了克服有限的数据样本的问题，我们调用的生成对抗网络框架，并提出了一个在线的数据驱动的方法来联合调度DL传输和学习的信道分布在线的方式。数值结果表明，该方法可以有效地学习任何任意的信道分布，并进一步实现最佳性能，通过使用预测的中断概率。
2020-05-10 cs.NI eess.SP
Towards Novel Multipath Data Scheduling For Future IoT Systems: A Survey
在互联网诞生的最初几年，互联网被广泛用于通过使用IP地址在用户和相应的数据源之间传输数据包。随着技术的进步，互联网已被用于在数十亿连接的几个小型和资源受限的设备内共享数据，以创建所谓的物联网（IoT）的框架。这些系统以呈现这些设备中出现的大量数据而闻名。另一方面，众所周知，这些设备会给物联网网络带来巨大的开销。因此，作为物联网网络的一部分，开发解决不同网络相关问题的解决方案至关重要。在本文中，我们回顾了这些挑战出现在路由，拥塞，节能，可扩展性，异构性，可靠性，安全性和服务质量（QoS）。这可以用来最佳地使用可用网络。作为这项研究工作的一部分，将对物联网中的网络优化过程进行详细调查，如另一项研究所示。由于无线网络的进步，相关的物联网设备配备了多个元素，包括多个网络接入接口。采用多路径TCP（MPTCP）技术可以提高数据传输的总吞吐量。另一方面，利用传统的MPTCP路径管理算法导致数据传输领域的其他问题，甚至缓冲区阻塞。这将导致整个物联网网络中传输性能降低的大量问题。为此，我们开发了一种新的多路径算法，将有效地管理数据传输的智能调度和无缝的方式使用多个无线/有线路径。
2021-05-17 cs.NI
Pioneering Deterministic Scheduling and Network Structure Optimization for Time-Critical Computing Tasks in Industrial IoT
本文首次针对工业物联网周期性时间关键型计算任务，提出确定性调度算法IIoTBroker和网络结构优化算法IIoTDeployer，通过细粒度资源分配与低成本网络升级实现确定性响应。
2024-01-24 cs.NI
Minimal Sleep Delay Driven Aggregation Tree Construction in IoT Sensor Networks
数据融合是无线传感器网络中的一项基本技术，它通过网络内计算，使用最大值、平均值或和函数，将中间结点收集的传感数据进行融合。由于传感器依靠电池运行，因此节能是一个关键问题。占空比是无线传感器网络中一种著名的节能机制，但它会导致数据聚合延迟增加。因此，多通道技术的使用允许更多的传感器节点同时发送数据，减少数据聚合延迟。本文研究了多通道负载循环物联网传感器网络中的最小延迟聚合调度问题。我们提出了一种调度方案，首先构建一个聚合树的基础上传感器节点的睡眠延迟，然后提高并行传输调度所有合格的节点在构建的聚合树，以提高数据聚合。基于广泛的仿真实验，我们提出的方法降低了聚合延迟最多61%相比，一种新的方法。
2023-03-12 cs.NI
Deep Sleep Scheduling for Satellite IoT via Simulation Based Optimization
Technische Universität Darmstadt（达姆施塔特工业大学）；Slovak University of Technology in Bratislava（布拉迪斯拉发斯洛伐克工业大学）；Vienna University of Technology（维也纳工业大学）
本文研究了如何通过基于模拟的优化方法来优化卫星物联网中的深度睡眠调度，以延长电池寿命，同时考虑数据质量和接收端的降质问题，采用目标导向张量（GoT）指标量化数据质量，并通过概率模拟优化算法进行优化。
2026-05-19 cs.NI
Time Scheduling and Energy Trading for Heterogeneous Wireless-Powered and Backscattering-based IoT Networks
未来的物联网网络由异构类型的物联网设备（具有各种通信类型和能源约束）组成，这些设备被假定属于物联网服务提供商（ISP）。为了给基于后向散射和无线供电的设备供电，ISP必须与能源服务提供商（ESP）签订合同。本文研究了ISP和ESP之间的战略互动及其对异构设备联合最优时间调度和能量交易的影响。为此，我们提出了一个经济的框架，使用Stackelberg游戏，以最大限度地提高网络吞吐量和能源效率的ISP和ESP。具体来说，ISP导致游戏发送其最佳的服务时间和能源价格的要求（最大限度地提高其利润）的ESP。ESP然后优化和供应的传输功率，满足ISP的要求（同时最大限度地提高ESP的效用）。为了获得Stackelberg均衡（SE），我们应用反向归纳技术，该技术首先导出ESP的封闭形式的解。然后，为了解决ISP的非凸优化问题，我们利用块坐标下降和凹凸过程技术来设计两个划分方案（即，部分调整（PA）和联合调整（JA））以找到构成局部SE的最优能量价格和服务时间。数值结果表明，通过联合优化异构物联网设备的能量交易和时间分配，与传统传输方法相比，ISP的利润可以得到显着改善。ESP和ISP的利润和PA/JA方案的复杂性之间的不同权衡也可以被数值调整。仿真结果还表明，当ISP的每发送比特的收益高于给定阈值时，所获得的局部SE接近社会最优福利。
2020-08-31 cs.NI eess.SP
CSQF-based Time-Sensitive Flow Scheduling in Long-distance Industrial IoT Networks
针对长距离工业物联网中 CSQF 缺乏全网调度机制的问题，提出 CTP 整数规划模型及 FO-CS、Tabu FO-CS 算法，显著提升可调度流数量。
2024-09-15 cs.NI
Evolutionary Computing Approach to Optimize Superframe Scheduling on Industrial Wireless Sensor Networks
物联网（IoT）引起了工业无线传感器领域的范式转变。物联网是一项蓬勃发展的技术，在短距离和固定无线传感方面处于领先地位。工业无线传感器网络调度中的一个重要问题是如何找到最小化故障时间的最优解。提出了一种基于进化算法的车间调度优化方法，即粒子群优化算法（PSO）、正交学习PSO、遗传算法（GA）和改进遗传算法。我们还评估了当代的方法，截止日期单调调度ISA 100.11a。通过使用该标准作为案例研究，所提出的模拟是面向对象的，具有许多变化的时隙和无线传感器节点的数量。仿真结果表明，使用遗传算法和改进的遗传算法可以提供更好的性能，空闲和错过截止日期。文中给出了全面而详细的性能评估。
2018-12-04 cs.NI
Joint Time Scheduling and Transaction Fee Selection in Blockchain-based RF-Powered Backscatter Cognitive Radio Network
在本文中，我们开发了一个新的框架，称为基于区块链的射频（RF）驱动的反向散射认知无线电网络。在该框架中，物联网设备作为次级发送器，通过使用RF供电的反向散射认知无线电技术将其感测数据发送到次级网关。然后，在网关处收集的数据被发送到区块链网络，以进行进一步的验证、存储和处理。因此，该框架使物联网系统能够同时优化频谱使用并最大限度地提高能源效率。此外，该框架确保从物联网设备收集的数据以分散但可信的方式进行验证，存储和处理。为了实现这一目标，我们在主通道的动态性、物联网设备的不确定性以及区块链环境的不可预测性下，为网关制定了一个随机优化问题。在该问题中，网关联合决定（i）时间调度，即，物联网设备之间的能量收集时间、反向散射时间和传输时间，（ii）区块链网络，以及（iii）交易费率，以最大化网络吞吐量，同时最小化成本。为了解决随机优化问题，我们建议使用，评估和评估深度强化学习（DRL）与Dueling Double Deep Q-Networks（D3 QN），以获得网关的最佳策略。仿真结果清楚地表明，所提出的解决方案在网络吞吐量和收敛速度方面优于传统的基线方法，如传统的Q-学习算法和非学习算法。此外，所提出的解决方案保证数据以合理的成本存储在区块链网络中。
2020-01-10 cs.NI eess.SP
IoT-Brain: Grounding LLMs for Semantic-Spatial Sensor Scheduling
University of Science and Technology of China（中国科学技术大学）；Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）；The Chinese University of Hong Kong（香港中文大学）；The Hong Kong University of Science and Technology（香港科技大学）
本文提出IoT-Brain系统，通过引入空间轨迹图（STG）解决LLM在语义-空间传感器调度中的表示、推理和优化缺陷，提升任务成功率37.6%并显著降低资源消耗。
2026-04-09 cs.AI cs.MA cs.NI
Technical Report for A Service-Fair UAV-NOMA System for Large-scale IoT scenarios
在$5$ G通信系统中，将无人机（UAV）与非正交多址（NOMA）技术相结合，可以获得更好的性能。为保证大规模场景下部署的传感器节点通信服务的公平性，采用图论和最小包围算法设计了一种用户调度策略，在通信过程开始前选择通信传感器节点。
2021-08-11 cs.NI
Probabilistic Time Slot Leasing in TDMA-Based IoT Networks for Enhanced Channel Utilization
Université de Bordeaux（波尔多大学）；Université de Technologie de Compiègne（贡比涅技术大学）
本文提出了一种基于TDMA的分布式调度协议，通过动态分配时间槽提升物联网网络的信道利用率和效率。
2026-01-06 cs.NI
From AoI to QVAoI: Query-Based Semantics-Aware Scheduling for Energy-Harvesting IoT Status Update Systems
本文提出了一种基于查询的语义感知调度方法，通过优化查询版本信息年龄（QVAoI）来提升能量收集物联网状态更新系统的性能。
2025-11-28 cs.IT cs.NI math.IT
Improving Energy Efficiency in Federated Learning Through the Optimization of Communication Resources Scheduling of Wireless IoT Networks
本文提出FL-E2WS算法，通过联合优化无线物联网中的设备选择、资源块分配及带宽功率调度，在满足延迟和误包率约束下显著降低联邦学习能耗并提升模型准确率。
2024-08-02 cs.NI
Greenness-Driven Scheduling in Far Edge Kubernetes: A CODECO Evaluation
fortiss GmbH – Research Institute of the Free State of Bavaria（巴伐利亚自由州研究所 fortiss 有限公司）
本文研究Kubernetes CODECO框架如何通过跨层能量感知调度，在IoT-Edge-Cloud连续体中降低容器化应用能耗，实验表明在ARM设备上可节省高达11.01 mJ计算能耗和4.14 mJ网络能耗。
2026-06-11 cs.NI
Enhancing Train Transportation in Sri Lanka: A Smart IOT based Multi-Subsystem Approach using MQTT
本研究针对斯里兰卡铁路系统的多项痛点，提出整合GPS追踪、RFID电子售票等功能的多子系统方案，采用MQTT协议提升效率，验证了其在铁路现代化中的应用价值。
2025-01-14 cs.NI
IoT Data Analytics in Dynamic Environments: From An Automated Machine Learning Perspective
University of Western Ontario（西安大略大学）
随着近年来传感器和智能设备的广泛普及，物联网（IoT）系统的数据生成速度急剧增加。在物联网系统中，必须频繁处理、转换和分析大量数据，以实现各种物联网服务和功能。机器学习（ML）方法已经显示出其用于物联网数据分析的能力。然而，将ML模型应用于物联网数据分析任务仍然面临许多困难和挑战，特别是有效的模型选择，设计/调整和更新，这对经验丰富的数据科学家带来了巨大的需求。此外，物联网数据的动态特性可能会引入概念漂移问题，导致模型性能下降。为了减少人类的努力，自动化机器学习（AutoML）已经成为一个热门领域，旨在自动选择，构建，调整和更新机器学习模型，以实现指定任务的最佳性能。在本文中，我们对AutoML领域的模型选择、调整和更新过程中的现有方法进行了回顾，以确定和总结将ML算法应用于物联网数据分析的每一步的最佳解决方案。为了证明我们的研究结果并帮助工业用户和研究人员更好地实施AutoML方法，在这项工作中进行了将AutoML应用于物联网异常检测问题的案例研究。最后，我们讨论和分类的挑战和研究方向，这一领域。
2022-09-16 cs.CR cs.LG cs.NI
AI-Enabled Bit-Mapping Medium Access Control Protocol for Intelligent and Energy-Efficient IoT Networks
Maharishi International University（玛哈里希国际大学）
本文提出EEI-BMA协议，通过轻量神经网络预测事件概率，动态调整传输调度，降低能耗并保持传感可靠性，实验显示在不同条件下均优于传统协议。
2026-03-13 cs.NI
Partially Observable Restless Bandits for Age-Optimal Scheduling over Markov Channels
School of Electronics and Information Technology, Sun Yat-sen University（中山大学电子与信息工程学院）；Guangzhou Huizhi Communication Co.,Ltd.（广州慧智通信有限公司）；School of Electronics and Communication Engineering, Sun Yat-sen University（中山大学电子与通信工程学院）；School of Cyber Science and Engineering Southeast University（东南大学网络空间安全学院）；School of Information Engineering, Northwest A&F University（西北农林科技大学信息工程学院）
本文研究了在马尔可夫信道上实现最优调度的问题，通过部分可观测的忙碌多臂老虎机模型，考虑了在通信带宽约束下最小化总期望时间平均信息年龄，设计了基于索引的调度策略，并通过仿真验证了其有效性。
2026-05-20 cs.IT cs.NI math.IT
A Low-Delay MAC for IoT Applications: Decentralized Optimal Scheduling of Queues without Explicit State Information Sharing
Boston University（波士顿大学）；Indian Institute of Science（印度科学学院）
针对物联网低延迟MAC设计，提出QZMAC协议，基于贪婪穷尽策略和POMDP最优切换规则，实现无需显式状态共享的分布式调度，仿真验证其延迟接近集中式调度器。
2023-06-20 cs.LG cs.NI math.PR
On the Age of Information in Internet of Things Systems with Correlated Devices
在本文中，物联网（IoT）的实时监控系统中，多个物联网设备必须及时发送一个共同的底层物理过程的状态信息的更新到一个共同的目的地。特别地，考虑了真实世界的IoT场景，其中在目的地处需要不同IoT设备的多个（部分）观察状态信息，使得可以适当地重建物理过程的实时状态。通过考虑IoT设备处的这种相关状态信息，研究IoT设备调度的问题，以便联合最小化目的地处的平均信息年龄（AoI）和IoT设备处的平均能量成本。特别地，考虑了两种类型的IoT设备：其状态更新随机到达的类型I设备和其状态更新可以以相关联的采样成本随意生成的类型II设备。这个随机问题被表述为一个无限时域平均费用马尔可夫决策过程（MDP）。示出的最佳调度策略是基于阈值的相对于在目的地的AoI，并且阈值是不增加的每个设备的信道条件。对于所有设备都是类型II的特殊情况，原始MDP可以简化为具有小得多的状态和动作空间的MDP。最优策略进一步示出具有类似的基于阈值的结构，并且阈值不随设备的能量成本函数而减小。仿真结果说明了最优策略的结构，并显示了最优策略的有效性相比，近视基线政策。
2020-04-14 cs.IT cs.NI math.IT
A Distributed Neural Linear Thompson Sampling Framework to Achieve URLLC in Industrial IoT
University of Padova（帕多瓦大学）；University of Bologna（博洛尼亚大学）；Huawei Technologies, Munich Research Center（华为技术有限公司慕尼黑研究中心）
本文提出分布式组合神经线性汤普森采样框架DISNETS，利用gNB反馈和强化学习使UE自主选择上行资源以最小化碰撞，从而在工业物联网中实现URLLC。
2023-11-21 cs.LG cs.MA cs.NI
IoTGAN: GAN Powered Camouflage Against Machine Learning Based IoT Device Identification
University of South Florida（南佛罗里达大学）；New Mexico State University（新墨西哥州立大学）；Intelligent Automation Inc（智能自动化公司）
本文提出 IoTGAN，通过黑盒替代模型与对抗流量操纵模型伪装 IoT 设备流量以规避机器学习识别，并给出有效防御措施。
2023-12-16 cs.CR cs.LG cs.NI
Energy-Efficient MAC for Cellular IoT: State-of-the-Art, Challenges, and Standardization
在现代世界中，随我们去的连接模型越来越受欢迎。物联网（IoT）设想了一个未来，在这个未来中，人类彼此之间以及与具有身份和虚拟个性的设备进行通信，以及传感，处理和网络功能，这将允许开发很少或没有人为干预的智能环境。在这样的物联网环境中，将有电池供电的传感器和设备，能源效率成为一个基本问题。因此，节能（EE）连接正在获得工业界和学术界的极大关注。这项工作旨在为蜂窝物联网的媒体访问控制（MAC）协议的能源效率提供全面的最先进的调查。我们提供了一个详细的讨论在MAC层的能量耗散的来源，然后提出解决方案。除了审查拟议的MAC设计外，我们还提供了见解和建议，可以指导从业者和研究人员设计延长物联网设备电池寿命的EE MAC协议。最后，我们确定了一系列具有挑战性的开放问题，应该解决为物联网设备提供EE MAC服务，以及相应的机会和未来的研究思路，以解决这些挑战。
2021-03-09 cs.NI
Traffic Learning and Proactive UAV Trajectory Planning for Data Uplink in Markovian IoT Models
Centre for Wireless Communications (CWC), University of Oulu（奥卢大学无线通信中心（CWC））
针对 IoT 数据上行的信息年龄与能耗问题，提出基于 Markov 流量预测和 DRL 的多 UAV 轨迹与调度联合优化框架，性能优于 RW 基线。
2024-01-24 cs.AI cs.LG cs.NI
Mez: A Messaging System for Latency-Sensitive Multi-Camera Machine Vision at the IoT Edge
Mez是一个用于IoT Edge中延迟敏感的多相机机器视觉的订阅消息传递系统。与现有的消息传递系统不同，Mez允许应用程序指定延迟和应用程序准确性界限。Mez实现了一个网络延迟控制器，可以动态调整视频帧质量，以满足延迟和应用准确性要求。此外，Mez的设计利用应用程序域特定的功能来提供低延迟操作。在物联网边缘测试平台上对行人检测机器视觉应用程序进行的实验评估表明，Mez能够容忍高达10倍的延迟变化，在最坏情况下，应用程序准确性F1得分指标降低4.2%。
2020-09-28 cs.NI
Machine Learning for Resource Management in Cellular and IoT Networks: Potentials, Current Solutions, and Open Challenges
物联网（IoT）是指通过连接到互联网的智能设备形成的大规模异构网络。在具有大量和各种数据的颠覆性物联网之后，机器学习（ML）和深度学习（DL）机制将在为物联网网络带来智能方面发挥关键作用。除其他方面外，ML和DL可以在解决大规模物联网网络中资源管理的挑战方面发挥重要作用。在本文中，我们对蜂窝无线和物联网网络中基于ML和DL的资源管理机制进行了系统而深入的调查。我们从蜂窝物联网和低功耗物联网网络中资源管理的挑战开始，回顾物联网网络的传统资源管理机制，并鼓励在这些网络中使用ML和DL技术进行资源管理。然后，我们对无线物联网网络中现有的基于ML和DL的资源分配技术以及专门为HetNet、MIMO和D2D通信以及NOMA网络设计的技术进行了全面调查。为此，我们还确定了在物联网网络中使用ML和DL进行资源分配和管理的未来研究方向。
2019-07-21 cs.NI eess.SP
Massive IoT Access With NOMA in 5G Networks and Beyond Using Online Competitiveness and Learning
研究了超5G蜂窝物联网中的在线用户分组、调度和功率分配问题。由于大量的设备试图被授权到网络，采用非正交多址接入方法，以便在同一无线电资源块中容纳多个设备。与大多数以前的作品不同，我们的目标是最大限度地提高服务的设备的数量，同时分配他们的传输功率，使他们的实时要求，以及他们有限的工作能量得到尊重。首先，我们制定的一般问题作为一个混合整数非线性规划（MINLP），可以很容易地转化为MILP的一些特殊情况。其次，我们研究了它的计算复杂性通过表征不同的特殊情况的NP-困难。然后，通过将问题分解为多个NOMA分组和调度子问题，提出了有效的在线竞争算法。此外，我们展示了如何使用这些在线算法，并将它们的解决方案结合在强化学习设置中，以获得功率分配，从而获得问题的全局解决方案。我们的分析补充了仿真结果，以说明所提出的算法的性能与最佳和国家的最先进的方法相比。
2022-01-27 cs.IT cs.NI math.IT
Application of Machine Learning-Based Pattern Recognition in IoT Devices: Review
University of Wisconsin-Eau Claire（威斯康星大学欧克莱尔分校）
物联网（IoT）是一个快速发展的技术领域，近年来迅速变得更加广泛。随着越来越多的日常物品连接到互联网，许多不同的创新已经出现，使我们的日常生活更加简单。模式识别在物联网设备中非常普遍，因为它可以带来许多应用和好处。为了提高速度和准确性，降低复杂性，并降低物联网设备中模式识别算法的总体处理能力，已经进行了大量研究。在回顾不同机器学习算法的应用之后，结果因情况而异，但可以得出一个一般结论，即与IoT设备一起使用的最佳基于机器学习的模式识别算法是支持向量机、k-最近邻和随机森林。
2022-01-10 cs.LG cs.NI eess.SP
AA-DL: AoI-Aware Deep Learning Approach for D2D-Assisted Industrial IoT
本文提出AA-DL方法，利用神经网络结合地理位置信息和反馈机制进行无监督学习，有效解决了D2D辅助工业物联网中非凸调度问题，显著降低了峰值信息年龄并保持低复杂度。
2023-11-22 cs.NI eess.SP
Machine Learning Methods for Monitoring of Quasi-Periodic Traffic in Massive IoT Networks
Aalborg University（奥尔堡大学）
大规模物联网（IoT）部署的核心问题之一是监控大量链路的状态。通过链路传输的业务的不规则性加剧了这个问题，因为业务的不规则性可以伪装成链路故障，反之亦然。在这项工作中，我们提出了一个流量模型的物联网设备运行准周期性的应用程序，我们提出了监督和无监督的机器学习方法来监测网络性能的物联网部署与准周期性的报告，如智能计量，环境监测和农业监测。无监督方法基于Lomb-Scargle周期图，这是天文学家开发的一种方法，用于估计不均匀采样时间序列的谱密度。
2020-02-27 cs.LG cs.NI
Robust Generalization of Graph Neural Networks for Carrier Scheduling
RISE Computer Science（RISE计算机科学研究院）；KTH Royal Institute of Technology（皇家理工学院）；Digital Futures（数字未来研究院）；Karolinska Institutet（卡罗林斯卡学院）；MedTechLabs（医疗技术实验室）；Uppsala University（乌普萨拉大学）
针对现有基于学习的载波调度器在大规模反向散射网络中泛化性差、资源优势减弱的问题，提出基于GNN的RobustGANTT调度器，无需重训即可泛化至千节点网络，资源消耗最多减半且响应快速，为大规模网络调度提供新方案。
2024-07-11 cs.AI cs.LG cs.NI
An Overview of Machine Learning-Driven Resource Allocation in IoT Networks
本文综述了机器学习、深度学习和强化学习在低功耗与移动物联网网络资源分配中的应用，分析了其优化网络性能和能效的机遇与挑战，并展望了未来研究方向。
2024-12-27 cs.NI eess.SP
Minimum Age of Information in the Internet of Things with Non-uniform Status Packet Sizes
在本文中，物联网（IoT）的实时监控系统被认为是其中的物联网设备被调度采样底层的物理过程，并发送状态更新到一个共同的目的地。在现实世界的物联网中，由于每个物理过程的动态可能不同，不同设备的状态更新的大小通常不同，并且每个状态更新通常需要多个传输时隙。考虑到这种多时隙传输与非均匀大小的状态更新噪声信道下，联合设备调度和状态采样的问题进行了研究，以尽量减少在目的地的平均年龄的信息（AoI）。这个随机问题被表述为一个无限时域平均费用马尔可夫决策过程（MDP）。的MDP的价值函数的单调性的特点，然后用来表明，最佳的调度和采样策略是基于阈值的AoI在每个设备。为了克服维数灾难，通过半随机化的基本策略和线性近似的价值函数，提出了一种低复杂度的次优策略。所提出的次优策略表现出类似的结构的最优策略，这提供了一个结构基础，其有效的性能。一个结构感知算法，然后开发获得次优的政策。分析结果进一步扩展到具有随机状态更新到达的物联网监控系统，对于该系统，最佳调度和采样策略也被证明是基于阈值的，每个设备的AoI。仿真结果说明了最优策略的结构，并显示了所提出的次优解决方案方法所产生的接近最优的AoI性能。
2020-01-24 cs.IT cs.NI math.IT
Machine and Deep Learning for IoT Security and Privacy: Applications, Challenges, and Future Directions
Institute of Information and Communication Technology (IICT), Bangladesh University of Engineering and Technology (BUET)（孟加拉国工程技术大学信息与通信技术研究所）
物联网（IoT）的集成将许多智能设备连接起来，最大限度地减少了人为干扰，可以相互交互。物联网正在计算机科学领域迅速兴起。然而，部署此类计划所涉及的多学科元素和物联网系统的交叉设计带来了新的安全问题。无效的是安全协议的实施，即，物联网系统的认证、加密、应用程序安全和接入网络以及它们在安全方面的基本弱点。当前的安全方法也可以得到改进，以有效保护物联网环境。近年来，深度学习（DL）/机器学习（ML）在各种关键实现中取得了显著进展。因此，DL/ML方法对于将物联网系统保护从简单地实现物联网系统之间的安全联系转变为安全的智能系统至关重要。本文旨在对ML系统进行广泛的分析，并对DL方法的最新发展进行分析，以改进增强的物联网设备保护方法。另一方面，物联网证券在机器和深度学习方面的各种新见解说明了它如何帮助未来的研究。识别与新兴或基本威胁相关的物联网保护风险，以及未来的物联网设备攻击和与每个表面相关的可能威胁。然后，我们仔细分析了DL和ML物联网保护方法，并介绍了每种方法的优点、可能性和弱点。本次审查讨论了一些潜在的挑战和局限性。还包括DL/ML在物联网安全中的未来工作，建议和建议。
2022-10-24 cs.CR cs.LG cs.NI
LIMITS: Lightweight Machine Learning for IoT Systems with Resource Limitations
Communication Networks Institute（通信网络研究所）；Department of Computer Science, AI Group TU Dortmund University（多特蒙德大学计算机科学系人工智能组）
在小型设备上利用大数据知识将为构建真正的认知物联网（IoT）系统铺平道路。尽管机器学习已经为基于物联网的数据分析带来了巨大的进步，但在经过训练的机器学习模型的部署阶段仍然存在巨大的方法差距。对于给定的资源受限平台，例如微控制器单元（MCU），模型选择和参数化通常基于逻辑或分析模型来执行。然而，这些方法只能提供所需系统资源的粗略估计，因为它们不考虑硬件、编译器特定优化和代码依赖性的相互作用。在本文中，我们提出了一种新的开源框架LIGHTECH机器学习for IoT Systems（LIMITS），它采用了一种平台在环方法，明确考虑了目标IoT平台的实际编译工具链。LIMITS专注于高级任务，如实验自动化、特定于平台的代码生成和最佳点确定。经过验证的低级别模型实现的坚实基础是由耦合的成熟的数据分析框架怀卡托知识分析环境（WEKA）提供的。我们在两个案例研究中应用并验证了LIMITS，重点是蜂窝数据率预测和基于无线电的车辆分类，在这些案例研究中，我们比较了不同的学习模型和现实世界的物联网平台，内存限制从16 kB到4 MB，并展示了其促进机器学习物联网系统发展的潜力。
2020-01-28 cs.LG cs.NI
Orchestrating the Development Lifecycle of Machine Learning-Based IoT Applications: A Taxonomy and Survey
Newcastle University（纽卡斯尔大学）；University of Leeds（利兹大学）；The University of Sydney（悉尼大学）；Cardiff University（卡迪夫大学）；China University of Geoscience (Wuhan)（中国地质大学（武汉））
机器学习（ML）和物联网（IoT）是互补的进步：ML技术通过智能释放物联网的全部潜力，物联网应用越来越多地将传感器收集的数据输入ML模型，从而利用结果来改进其业务流程和服务。因此，编排包含模型训练和物联网应用程序整体开发生命周期中涉及的含义的ML管道通常会导致复杂的系统集成。本文对基于ML的物联网应用的开发生命周期进行了全面而系统的调查。我们概述了核心路线图和分类，并随后评估和比较现有的标准技术中使用的各个阶段。
2020-05-29 cs.DC cs.LG cs.NI
Machine Learning Based Intrusion Detection Systems for IoT Applications
物联网（IoT）及其应用是目前最热门的研究领域。物联网的特性一方面使其易于应用于现实生活中的应用，而另一方面又使其面临网络威胁。拒绝服务（DoS）是针对物联网的最具灾难性的攻击之一。在本文中，我们研究了使用机器学习分类算法来保护物联网免受DoS攻击的前景。本文对分类器进行了全面的研究，以期对基于异常的入侵检测系统的发展起到推动作用。分类器的性能评估是在突出的指标和验证方法。流行的数据集CIDDS-001，UNSW-NB 15和NSL-KDD用于基准分类器。采用Friedman和Nemenyi检验对分类器之间的显著性差异进行统计分析。此外，Raspberry Pi还用于评估物联网特定硬件上分类器的响应时间。我们还讨论了根据应用程序的要求选择最佳分类器的方法。本研究的主要目标是激励物联网安全研究人员使用集成学习开发IDS，并提出适当的方法对分类器的性能进行统计评估。
2023-02-24 cs.CR cs.NI
IoT Device Identification with Machine Learning: Common Pitfalls and Best Practices
本文探讨了物联网设备识别中机器学习的常见问题与最佳实践，分析了识别方法、数据异质性及评估指标的权衡，旨在提升安全模型的可重复性和通用性。
2026-01-28 cs.AI cs.CR cs.NI
A Survey of Machine and Deep Learning Methods for Internet of Things (IoT) Security
Qatar University（卡塔尔大学）；Temple University（天普大学）；University of Idaho（爱达荷大学）
物联网（IoT）集成了数十亿个智能设备，这些设备可以在最少的人为干预下相互通信。它是计算计算史上发展最快的领域之一，预计到2020年底将有500亿台设备。一方面，物联网在增强几个可以提高生活质量的现实智能应用方面发挥着至关重要的作用。另一方面，物联网系统的交叉性和部署此类系统所涉及的多学科组件带来了新的安全挑战。为物联网设备及其固有漏洞实施加密、身份验证、访问控制、网络安全和应用程序安全等安全措施是无效的。因此，应加强现有的安全方法，以有效地保护物联网系统。机器学习和深度学习（ML/DL）在过去几年中取得了长足的进步，机器智能已经从实验室好奇心转变为几个重要应用中的实用机器。因此，ML/DL方法对于将物联网系统的安全性从仅仅促进设备之间的安全通信转变为基于安全的智能系统非常重要。这项工作的目标是提供ML /DL方法的全面调查，这些方法可用于为物联网系统开发增强的安全方法。提出了与固有或新引入的威胁相关的物联网安全威胁，并讨论了各种潜在的物联网系统攻击面以及与每个面相关的可能威胁。然后，我们全面回顾了用于物联网安全的ML/DL方法，并介绍了每种方法的机会、优点和缺点。我们讨论了将ML/DL应用于物联网安全的机遇和挑战。这些机遇和挑战可以作为未来潜在的研究方向。
2018-07-29 cs.CR cs.LG cs.NI
IoT-Aerial Base Station Task Offloading with Risk-Sensitive Reinforcement Learning for Smart Agriculture
University of Ottawa（渥太华大学）；Nokia Bell Labs（诺基亚贝尔实验室）
空中基站（ABS）允许智能农场将复杂任务的处理责任从物联网（IoT）设备卸载到ABS。物联网设备具有有限的能量和计算资源，因此需要为需要ABS支持的系统提供先进的解决方案。提出了一种新的基于多参与者的风险敏感强化学习方法用于智能农业ABS任务调度。该问题被定义为任务卸载，其严格条件是在最后期限之前完成物联网任务。此外，该算法还必须考虑ABS的有限能量容量。结果表明，我们提出的方法优于几个算法和经典的Q学习方法。此外，我们提供了一个混合整数线性规划的解决方案，以确定性能的下限，并澄清我们的风险敏感的解决方案和最优解之间的差距，以及。比较证明了我们广泛的仿真结果表明，我们的方法是一种有前途的方法，可以为智能农场中的物联网任务提供有保证的任务处理服务，同时增加该农场中ABS的悬停时间。
2022-09-15 cs.AI cs.NI
EDIMA: Early Detection of IoT Malware Network Activity Using Machine Learning Techniques
物联网的广泛采用导致了许多安全问题。在2016年基于Mirai的DDoS攻击导致物联网设备受损后，出现了大量使用Mirai泄露源代码并针对物联网设备的新恶意软件，例如Satori，Reaper，Aprixia，Masuta等。这些恶意软件利用软件漏洞感染物联网设备，而不是开放的TELNET端口（如Mirai），使其更难以使用防火墙等现有解决方案进行阻止。在这项研究中，我们提出了EDIMA，这是一种分布式模块化解决方案，可用于在扫描/感染阶段而不是攻击期间检测大型网络（例如ISP，企业网）中的物联网恶意软件网络活动。EDIMA采用机器学习算法对边缘设备的流量进行分类，并使用数据包流量特征向量数据库、策略模块和可选的数据包子采样模块。我们评估的分类性能的EDIMA通过测试台实验，并提出所获得的结果。
2019-06-24 cs.CR cs.NI
Minimal Virtual Machines on IoT Microcontrollers: The Case of Berkeley Packet Filters with rBPF
虚拟机（VM）被广泛用于托管和隔离软件模块。然而，到目前为止，极小的内存和低能耗预算阻碍了VM在典型的基于微处理器的物联网设备上的广泛使用。在本文中，我们探讨了两个最小的VM方法在这种低功耗硬件的潜力。我们设计了rBPF，一个基于寄存器的虚拟机扩展伯克利包过滤器（eBPF）的基础上。我们将其与基于WebAssembly（Wasm）的适用于嵌入式系统的基于堆栈的VM进行比较。我们实现了托管在物联网操作系统RIOT中的每个虚拟机的原型。我们对商用现成物联网硬件进行测量。不出所料，我们观察到Wasm和rBPF虚拟机与不使用VM相比都会产生执行时间和内存开销。然而，我们表明，这种执行时间开销对于低吞吐量、低能耗的物联网设备是可以容忍的。我们进一步表明，虽然使用基于Wasm的VM需要使用6LoWPAN/CoAP堆栈的简单联网物联网应用程序的内存预算增加一倍，但使用基于rBPF的VM只需要微不足道的内存开销（不到10%的内存）。因此，rBPF是一种很有前途的方法，可以通过低功耗网络托管与操作系统软件隔离的小型软件模块，并可按需更新。
2020-12-09 cs.NI cs.OS
Detecting Botnet Attacks in IoT Environments: An Optimized Machine Learning Approach
Western University（韦仕敦大学）
对互联网的依赖增加以及相应的连接需求激增导致物联网（IoT）设备的显着增长。物联网设备的持续部署反过来又导致网络攻击的增加，因为潜在的攻击面越来越多，最近的报告显示，物联网恶意软件攻击从2017年的1030万次增加到2018年的3270万次，增加了215.7%。这说明物联网设备和网络的脆弱性和敏感性增加。因此，需要在这样的环境中适当有效且高效的攻击检测和缓解技术。机器学习（ML）已经成为一种潜在的解决方案，因为物联网设备和网络生成了大量的数据。因此，它们有很大的潜力被用于物联网环境的入侵检测。为此，本文提出了一种优化的基于ML的框架，该框架由贝叶斯优化高斯过程（BO-GP）算法和决策树（DT）分类模型的组合组成，以有效和高效的方式检测对物联网设备的攻击。使用Bot-IoT-2018数据集评估了拟议框架的性能。实验结果表明，该优化框架具有较高的检测准确率、查准率、查全率和F-score，突出了其在物联网环境下检测僵尸网络攻击的有效性和鲁棒性。
2020-12-16 cs.CR cs.LG cs.NI
Malware Detection in IOT Systems Using Machine Learning Techniques
Newcastle University（纽卡斯尔大学）；Kent State University（肯特州立大学）
本研究提出一种CNN-LSTM混合模型用于物联网恶意软件检测，通过K折交叉验证达到95.5%的准确率，优于现有方法，为增强物联网安全提供了有效方案。
2024-02-04 cs.CR cs.LG cs.NI
