Study on the Data Processing of the IOT Sensor Network Based on Hadoop Cloud Platform and TWLGA Scheduling Algorithm
物联网传感器网络是环境监测的有效解决方案。物联网传感器网络产生海量数据，海量数据的存储、处理和查询能力成为技术挑战。为了解决这一问题，提出了Hadoop云平台。该数据处理平台利用时间和工作量遗传算法（TWLGA），将一个节点的工作提供给其他节点共享，既提高了单个节点的工作效率，又提供了兼容性支持，降低了软硬件可能存在的风险。在实验中，搭建了一个采用TWLGA调度算法的Hadoop集群平台，并对平台的性能进行了测试。结果表明，Hadoop云平台适合物联网传感器网络的大数据处理。
2021-12-01 cs.NI
Application Scheduling with Multiplexed Sensing of Monitoring Points in Multi-purpose IoT Wireless Sensor Networks
无线传感器网络（WSNs）有许多应用，是物联网系统的重要组成部分。无线传感器网络的主要功能是从传感器节点覆盖的特定点收集数据，并将收集到的数据传输到远程单元进行进一步处理。在物联网用例中，WSN基础设施可能需要由许多应用共享，这需要调度这些应用以分时共享节点和网络资源。在本文中，我们调查的问题，在无线传感器网络基础设施的应用程序调度。我们专注于应用程序的情况下，请求一组监测点被感测在该区域的无线传感器网络的跨度，并提出了一个共享的数据的方法，利用多路复用的多个应用程序所请求的监测点的传感，这减少了传感和通信网络上的负载。我们还提出了一个遗传算法称为GABAS，和三个贪心算法调度应用到一个无线传感器网络的基础设施，考虑不同的标准。我们进行了广泛的模拟实验，以评估我们的算法，并比较它们的一些标准的调度方法。结果表明，我们提出的方法比标准的调度方法在最大完工时间，周转时间，等待时间，成功的执行率指标。我们还观察到，我们的遗传算法是非常有效的调度应用程序相对于这些指标。
2022-10-12 cs.NI
Adaptive Meta-Aggregation Federated Learning for Intrusion Detection in Heterogeneous Internet of Things
Department of Computer Engineering and Information Technology, Razi University（拉齐大学计算机工程与信息技术系）
本文提出自适应元聚合联邦学习方法，用于提升异构物联网中的入侵检测性能，实验表明其在多个数据集上均优于现有方法。
2026-02-13 cs.NI
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
Battery-constrained Federated Edge Learning in UAV-enabled IoT for B5G/6G Networks
在本文中，我们研究了如何从深度强化学习（DRL）方法中优化B5G/6G网络的无人机物联网（IoT）中的联邦边缘学习（FEEL）。联邦学习是一种有效的框架，可以在分散的边缘设备或服务器之间训练共享模型，而无需交换原始数据，这有助于保护数据隐私。在支持无人机的物联网网络中，延迟和能耗是限制FEEL性能的两个重要指标。虽然大多数现有的工作已经研究了如何减少延迟和提高能量效率，很少有工作已经调查了有限的电池在设备上的FEEL的影响。受此启发，我们研究了电池受限的FEEL，其中无人机可以调整其运行CPU频率以延长电池寿命并避免过早退出联邦学习训练。我们通过在时变环境中联合分配计算资源和无线带宽来优化系统。为了解决这个优化问题，我们采用了深度确定性策略梯度（DDPG）为基础的策略，其中的延迟和能量消耗的线性组合被用来评估系统成本。仿真结果表明，该策略优于传统的策略。特别是，它使所有设备都能在有限的电池下完成所有的FEEL循环，同时有效地降低了系统成本。
2021-01-29 cs.NI
A Federated Capability-based Access Control Mechanism for Internet of Things (IoTs)
物联网（IoT）的普及允许异构嵌入式智能设备在有或没有人工干预的情况下协作地提供智能服务。在利用智能电网和智能城市等大规模基于物联网的应用的同时，物联网也引发了对隐私和安全的更多关注。物联网面临的最大安全挑战之一是访问授权在物联网的资源和信息保护中至关重要。传统的访问控制方法，如访问控制列表（ACL），基于角色的访问控制（RBAC）和基于属性的访问控制（ABAC），无法提供一个可扩展的，可管理的和有效的机制，以满足物联网系统的需求。大量的节点、异构性和动态性要求物联网设备有更细粒度的轻量级机制。本文提出了一种基于联邦能力的访问控制（FedCAC）框架，以实现对大规模物联网系统中设备、服务和信息的有效访问控制。提出了一种基于身份的能力令牌管理策略，包括访问授权的注册、传播和撤销。通过将集中式授权决策策略委托给本地域委托者，接入授权过程在服务提供商本地进行，集成了态势感知（SAW）和定制的上下文条件。在资源受限的设备（如智能传感器和Raspberry PI）和非资源受限的设备（如笔记本电脑和智能手机）上实施和测试，我们的实验结果证明了所提出的FedCAC方法的可行性，可以为连接到系统网络的物联网系统提供可扩展，轻量级和细粒度的访问控制解决方案。
2018-05-01 cs.NI
Mist-Assisted Federated Learning for Intrusion Detection in Heterogeneous IoT Networks
Razi University（拉齐大学）；Gilan University（吉兰大学）
针对异构物联网中数据异构和非独立同分布导致的入侵检测难题，提出Mist辅助的四层分层联邦学习框架，在TON-IoT数据集上实现98-99%准确率且保护隐私。
2025-10-31 cs.NI
Personalized Federated Learning for Intelligent IoT Applications: A Cloud-Edge based Framework
Sun Yat-sen University（中山大学）
物联网（IoT）已经广泛渗透到现代生活的各个方面，许多智能物联网服务和应用正在涌现。最近，联邦学习被提出来通过利用物联网设备上的大量用户生成的数据样本来训练全球共享模型，同时防止数据泄漏。然而，复杂物联网环境中固有的设备、统计和模型异构性对传统联邦学习提出了巨大挑战，使其不适合直接部署。在本文中，我们提倡在智能物联网应用的云边缘架构中使用个性化的联邦学习框架。为了应对物联网环境中的异构性问题，我们研究了新兴的个性化联邦学习方法，这些方法能够在不同方面减轻异构性造成的负面影响。借助边缘计算的强大功能，还可以实现智能物联网应用中对快速处理能力和低延迟的要求。最后，我们提供了一个基于物联网的人类活动识别的案例研究，以证明个性化联邦学习对智能物联网应用的有效性。
2020-05-02 cs.DC 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
ASA: Adaptive Smart Agent Federated Learning via Device-Aware Clustering for Heterogeneous IoT
Razi University（拉齐大学）；University College Dublin（都柏林大学学院）
ASA通过设备感知聚类实现异构物联网的自适应智能代理联邦学习，提升效率、可扩展性和公平性。
2026-02-16 cs.NI
Age-Optimal Power Allocation in Industrial IoT: A Risk-Sensitive Federated Learning Approach
这项工作研究了工业物联网中的实时环境监测场景，其中无线传感器主动收集环境数据并将其传输到控制器。我们采用金融数学中的风险敏感性概念作为目标，以联合最小化网络能耗的均值、方差和其他高阶统计量，这些统计量受信息年龄（AoI）阈值违规概率和AoI违规率超过预定义阈值的约束。我们使用极值理论中的结果来表征极端AoI陈旧性，并通过将Lyapunov优化和联邦学习（FL）的原理编织在一起，提出了一种分布式功率分配方法。仿真结果表明，所提出的基于FL的分布式解决方案与集中式基线相当，同时消耗的系统能量减少28.50%，并且优于其他基线。
2021-06-13 cs.NI
Unsupervised Data Splitting Scheme for Federated Edge Learning in IoT Networks
联邦边缘学习（FEEL）是一种很有前途的分布式学习技术，其目标是训练共享的全局模型，同时降低通信成本并促进用户隐私。然而，由于用于训练的数据的性质，训练过程可能会占用很长时间，这导致更高的能量消耗，从而影响模型收敛。为了解决这个问题，我们提出了一个数据驱动的联邦边缘学习方案，该方案倾向于根据质量数据和能量选择合适的参与节点。首先，我们设计了一个无监督的数据感知分裂方案，将节点的本地数据划分为用于训练的不同样本。我们引入了相似性指数来选择提高训练性能的质量数据。然后，我们提出了一种启发式的参与节点选择方案，以最小化通信和计算的能量消耗，以及通信轮数。结果表明，该方案在能量消耗和通信轮数方面大大优于vanilla FEEL。
2022-03-08 cs.NI
Federated Double Deep Q-learning for Joint Delay and Energy Minimization in IoT networks
York University（约克大学）
在本文中，我们提出了一个联合深度强化学习框架来解决多目标优化问题，其中我们考虑最小化物联网设备的预期长期任务完成延迟和能耗。这通过优化卸载决策、计算资源分配和发射功率分配来完成。由于制定的问题是一个混合整数非线性规划（MINLP），我们首先把我们的问题作为一个多智能体分布式深度强化学习（DRL）问题，并使用双深度Q网络（DDQN），其中的行动是卸载决策解决它。基于所选择的卸载决策（动作），通过求解发射功率优化或本地计算资源优化来计算每个代理的即时成本。然后，为了提高物联网设备（代理）的学习速度，我们在每集的结尾加入了联邦学习（FDL）。FDL增强了建议的DRL框架的可扩展性，创建一个代理之间的合作环境，并最大限度地减少他们的隐私问题。我们的数值结果证明了我们提出的联邦DDQN框架在学习速度方面的有效性，与联邦深度Q网络（DQN）和非联邦DDQN算法相比。此外，我们还研究了批量大小、网络层数、DDQN目标网络更新频率对FDL学习速度的影响。
2021-04-02 cs.LG cs.NI
Client Selection Strategies for Federated Semantic Communications in Heterogeneous IoT Networks
Faculty of Computer Science Dalhousie University（计算机科学学院达尔豪斯大学）；Laboratoire DAVID Université de Versailles（DAVID实验室巴黎- versailes大学）
针对异构物联网中联邦语义通信的客户端选择难题，提出三种策略，在重建质量、资源效率与公平性间取得平衡，实验证明比例公平策略综合性能最优。
2025-06-20 cs.LG 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
HBFL: A Hierarchical Blockchain-based Federated Learning Framework for a Collaborative IoT Intrusion Detection
University of Queensland（昆士兰大学）
物联网生态系统安全态势的持续加强至关重要，因为互联设备的数量和共享的敏感数据量不断增加。利用机器学习（ML）功能防御物联网网络攻击具有许多潜在的好处。然而，目前提出的框架没有考虑数据隐私，安全架构和/或物联网生态系统的可扩展部署。在本文中，我们提出了一个基于分层区块链的联邦学习框架，以实现安全和隐私保护的协作物联网入侵检测。我们强调并展示了在组织间物联网网络之间共享网络威胁情报以提高模型检测能力的重要性。建议基于ML的入侵检测框架遵循分层联邦学习架构，以确保学习过程和组织数据的隐私。交易（模型更新）和流程将在安全的不可变分类账上运行，执行任务的一致性将由智能合约验证。我们已经测试了我们的解决方案，并通过实施它并使用关键的物联网数据集评估入侵检测性能来证明其可行性。其结果是一个安全设计的基于ML的入侵检测系统，能够检测到广泛的恶意活动，同时保护数据隐私。
2022-04-08 cs.CR cs.LG cs.NI
Federated Kalman Filter for Secure IoT-based Device Monitoring Services
University of Guelph（圭尔夫大学）
本文提出一种结合联邦卡尔曼滤波器、联邦学习与私有区块链的平台，用于解决物联网设备监控服务中的隐私问题，实验证明其在基于RSSI的定位数据估计上具有显著改进潜力。
2023-04-03 cs.CR cs.LG 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
Federated Learning and Blockchain-enabled Fog-IoT Platform for Wearables in Predictive Healthcare
University of Guelph（圭尔夫大学）；University of Toronto（多伦多大学）
多年来，可穿戴物联网（IoT）设备在多种医疗保健服务中的普及和使用正在增加。受益于这些设备的使用的服务之一是预测分析，这可以改善电子保健的早期诊断。然而，由于可穿戴物联网设备的局限性，数据隐私，服务完整性和网络结构适应性方面的挑战出现了。为了解决这些问题，我们提出了一个在雾物联网网络中使用联邦学习和私有区块链技术的平台。这些技术具有隐私保护功能，可以保护网络内的数据。我们利用雾物联网网络的分布式结构为可穿戴物联网设备创建自适应网络。我们设计了一个测试平台，以检查所提出的平台的能力，以保持分类器的完整性。根据实验结果，所介绍的实现可以有效地保护病人的隐私和预测服务的完整性。我们进一步研究了其他技术对物联网网络安全性和适应性的贡献。总的来说，我们通过分析、模拟和实验证明了我们的平台在解决可穿戴物联网设备在预测性医疗保健中的重大安全和隐私挑战方面的可行性。
2023-01-11 cs.CR cs.LG cs.NI
Federated Learning-Driven Cybersecurity Framework for IoT Networks with Privacy-Preserving and Real-Time Threat Detection Capabilities
Western University（西安大略大学）
针对物联网网络中传统集中式安全方法难以平衡隐私保护与实时威胁检测的问题，提出联邦学习驱动的网络安全框架，利用本地模型训练、同态加密聚合及RNN异常检测，实现98%以上威胁检测准确率并降低20%资源消耗，提供可扩展隐私保护方案。
2025-02-14 cs.CR cs.LG cs.NI
Optimizing Resource-Efficiency for Federated Edge Intelligence in IoT Networks
Xidian University（西安电子科技大学）；Princeton University（普林斯顿大学）
本文研究了一种基于边缘智能的物联网网络，其中一组边缘服务器基于从多技术支持的物联网网络上传的数据集，使用联邦学习（FL）学习共享模型。物联网网络的数据上传性能和边缘服务器的计算能力在影响FL模型训练过程中相互纠缠。我们提出了一个新的框架，称为联邦边缘智能（FEI），允许边缘服务器根据物联网网络的能源成本及其本地数据处理能力来评估所需的数据样本数量，并仅请求足以训练令人满意的模型的数据量。我们评估了两种广泛使用的物联网解决方案时数据上传的能源成本：许可频段物联网（例如，5G NB-IoT）和未授权频带IoT（例如，Wi-Fi、ZigBee和5G NR-U）可用于每个IoT设备。我们证明了整个物联网网络的成本最小化问题是可分离的，可以分为一组子问题，每个子问题都可以由单个边缘服务器解决。我们还引入了一个映射函数来量化边缘服务器在三个关键参数的不同组合下的计算负载：数据集大小，本地批量大小和本地训练次数。最后，我们采用了基于ADMM的方法来联合优化物联网网络的能源成本和边缘服务器的平均计算资源利用率。我们证明了我们提出的算法不会导致任何数据泄漏，也不会泄露物联网网络的任何拓扑信息。仿真结果表明，我们提出的框架显着提高了物联网网络和边缘服务器的资源效率，只有有限的牺牲模型收敛性能。
2020-11-25 cs.AI cs.DC cs.NI
FedTransKD-IDS: Robust Federated Transfer Learning with Knowledge Distillation for Intrusion Detection in IoT
University of Isfahan（伊斯法罕大学）
本研究针对物联网入侵检测场景，提出FedTransKD-IDS框架，融合几何均值鲁棒聚合、联邦迁移学习与知识蒸馏，在异质数据集上实现99.18%准确率、99.99%召回率，提升了联邦学习的稳定性与效率。
2026-08-10 cs.LG cs.NI
Federated Distillation based Indoor Localization for IoT Networks
Mohammed VI Polytechnic University（穆罕默德六世理工大学）；New York University (NYU) Abu Dhabi（纽约大学阿布扎比分校）；NYU Tandon School of Engineering（纽约大学坦登工程学院）
联邦蒸馏（Federated Distillation，FD）是近年来提出的一种新的联邦学习方法，特别适用于通信资源有限的无线传感器网络。然而，所有国家的最先进的FD算法的设计，只有分类任务和较少的注意力已经回归任务。在这项工作中，我们提出了一个FD框架，正确地操作回归学习问题。之后，我们提出了一个用例实现，提出了一个室内定位系统，显示了良好的权衡通信负载与准确性相比，基于联邦学习（FL）的室内定位。通过我们提出的框架，我们减少了高达98%的传输位数。此外，我们表明，建议的框架是更可扩展的FL，从而更有可能应付无线网络的扩展。
2022-10-11 cs.LG cs.NI eess.SP
Federated Machine Learning for Intelligent IoT via Reconfigurable Intelligent Surface
ShanghaiTech University（上海科技大学）；Xiamen University（厦门大学）；Tsinghua University（清华大学）
针对智能物联网中联邦机器学习的通信带宽瓶颈，本文提出基于空中计算的通信高效联邦学习框架，并结合可重构智能表面增强信号、降低模型聚合误差。
2020-04-13 cs.LG 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
Federated Learning with Correlated Data: Taming the Tail for Age-Optimal Industrial IoT
Centre for Wireless Communications, University of Oulu（奥卢大学无线通信中心）
虽然工业物联网中的信息传递需要可靠性和延迟保证，但控制器可用信息的新鲜度（由信息年龄（AoI）衡量）对于高性能工业自动化至关重要。在这项工作中的问题是铸造作为传感器的发射功率最小化的峰值AOI的要求和排队等待时间的概率约束。我们进一步描述了尾部行为的延迟广义帕累托分布（GPD）的解决功率分配问题，通过李雅普诺夫优化。由于每个传感器利用自己的数据本地训练的GPD模型，我们将联邦学习，并提出了一个本地模型选择方法，占传感器的训练数据之间的相关性。数值结果表明，发射功率，峰值AOI，延迟的尾部分布之间的折衷。此外，我们验证了所提出的相关性感知的方法选择局部模型在联邦学习超过现有的基线的优越性。
2021-08-17 cs.LG cs.NI
Federated Hyperdimensional Computing for Resource-Constrained Industrial IoT
Tampere University（塔尔皮奥大学）；Tampere Institute for Advanced Study（塔尔皮奥高级研究 institute）；Intel Corporation（英特尔公司）
本文提出一种轻量级联邦超维度计算框架，用于解决工业物联网中内存、计算能力和无线带宽受限的问题，通过原型表示交换降低通信开销，实现快速收敛和高效协作学习。
2026-03-20 cs.LG cs.NI
A VHetNet-Enabled Asynchronous Federated Learning-Based Anomaly Detection Framework for Ubiquitous IoT
物联网异常检测是入侵检测、设备活动分析、安全监管等多个领域需要的主要智能服务。然而，异构分布的数据和资源受限的终端节点提出了挑战，现有的异常检测模型。高空平台站（High Altitude Platform Station，HAPS）和无人机（Unmanned Aerial Vehicles，UAV）作为垂直异构网络（Vertical HetNets，VHetNet）的重要组成部分，具有部署灵活、资源多维的优势，在泛在物联网系统的感知、计算、存储和通信应用中具有巨大潜力。在本文中，我们提出了一种新的VHetNet启用异步联邦学习（AFL）框架，使分散的无人机协同训练全球异常检测模型。在VHetNet支持的AFL框架中，HAPS作为中央空中服务器运行，并且由于其覆盖范围广以及强大的存储和计算能力，在UAV中训练的本地模型被上传到HAPS以进行全局聚合。我们在AFL框架中引入了无人机选择策略，以防止局部模型质量低、能耗大的无人机影响全局模型的学习效率和检测精度。为了保证无人机与HAPS之间传输的安全性，我们在无人机的局部模型参数中加入设计噪声，以实现差分隐私。此外，我们提出了一种基于复合动作演员评论家（CA2C）的联合设备关联，无人机选择和无人机轨迹规划算法，以进一步提高整体联邦执行效率和检测模型的准确性。在真实数据集上进行的大量实验表明，该算法能够以较短的联邦执行时间和较低的能耗实现…
2023-03-06 cs.NI eess.SP
FedLE: Federated Learning Client Selection with Lifespan Extension for Edge IoT Networks
University of Calgary（卡尔加里大学）；Michigan State University（密歇根州立大学）
联邦学习（FL）是一种分布式的、隐私保护的学习框架，用于对物联网（IoT）设备在边缘生成的海量数据进行预测建模。阻碍FL在物联网中广泛采用的一个主要挑战是物联网设备普遍存在的电源限制，这是由于电池供电的客户端在本地训练和模型更新时的密集能耗。客户端的低电池电量最终导致其从边缘网络中过早退出，训练数据丢失，从而危及FL的性能，以及其执行其他指定任务的可用性。在本文中，我们提出了FedLE，这是一种节能的客户端选择框架，可以延长边缘物联网网络的使用寿命。在FedLE中，客户端首先运行一个最小的epoch来生成本地模型更新。模型被部分上传到服务器，用于计算每对客户端之间的相似性。对这些客户端对执行聚类，以识别具有相似模型分布的客户端。在每一轮中，低功率客户端被选中的概率较低，从而延迟了电池的消耗。实证研究表明，FedLE在基准数据集上的性能优于基线，并且在电池电量限制下比FedAvg持续更多的训练轮。
2023-02-14 cs.DC cs.LG cs.NI
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
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
Uplink Scheduling in Federated Learning: an Importance-Aware Approach via Graph Representation Learning
University of Bologna（博洛尼亚大学）；University of Ottawa（渥太华大学）
针对6G无线联邦学习中资源受限信道的大规模客户端上行调度问题，本文利用UGRL提出无需训练反馈、节能且重要性感知的关系型调度指标，在空间关系场景下最高提升10%准确率和17倍能效。
2023-01-27 cs.LG cs.NI
FedMADE: Robust Federated Learning for Intrusion Detection in IoT Networks Using a Dynamic Aggregation Method
针对联邦学习在物联网入侵检测中面临的数据异构、类别不平衡及鲁棒性问题，提出动态聚合方法FedMADE，通过按流量聚类和按贡献聚合提升少数类攻击准确率，兼具抗投毒性和低开销。
2024-08-13 cs.CR cs.NI
Harnessing Federated Generative Learning for Green and Sustainable Internet of Things
King Saud University（沙特国王大学）
针对物联网设备增长带来的环境可持续性与隐私问题，提出整合生成学习的单次联邦学习OSFL，将多轮通信压缩为单次，降能耗减开销，助力绿色可持续物联网发展。
2024-04-30 cs.AI cs.NI
Federated Learning with Gramian Angular Fields for Privacy-Preserving ECG Classification on Heterogeneous IoT Devices
Laboratoire LITAN（LITAN实验室）；École supérieure en Sciences et Technologies de l’Informatique et du Numérique（信息与数字技术高级学院）；College of Engineering and IT（工程与信息技术学院）；University of Dubai（迪拜大学）；Department of Computer Science（计算机科学系）；University of Sharjah（沙迦大学）
本研究针对物联网医疗环境中的隐私保护心电图分类问题，提出将一维ECG信号转换为GAF图像并结合联邦学习的框架，首次实验验证其在异构设备上的性能与通信效率，为智能健康系统提供可扩展安全的边缘部署方案。
2025-11-11 cs.AI cs.CE cs.LG
Hybrid Deep Learning-Federated Learning Powered Intrusion Detection System for IoT/5G Advanced Edge Computing Network
本文提出一种融合CNN、BiLSTM和自编码器的联邦学习入侵检测系统，在UNSW-NB15上取得AUC 99.59%和F1 97.36%，推理时间仅0.0476毫秒，满足5G-Advanced边缘部署的URLLC要求。
2025-09-19 cs.CR cs.LG cs.NI
Sliding Differential Evolution Scheduling for Federated Learning in Bandwidth-Limited Networks
Southeast University（东南大学）；Purple Mountain Laboratories（紫金山实验室）；Northumbria University（诺森比亚大学）
在具有能量受限的用户设备（UE）的带宽受限网络中的联邦学习（FL）未被探索。在本文中，共同节省能量消耗的电池有限的UE和加速FL的带宽有限的网络中的全局模型的收敛，我们提出了基于滑动差分进化的调度（SDES）的政策。为此，我们首先制定了一个优化，旨在最大限度地减少能源消耗和模型训练收敛的加权和。然后，我们应用SDES与并行差分进化（DE）操作在几个小规模的窗口，有效地解决上述提出的问题。与已有的调度策略相比，该调度策略在降低能耗和模型收敛性方面具有较好的性能，并且具有较低的计算复杂性。
2020-10-18 cs.IT cs.LG cs.NE
Scheduling for Cellular Federated Edge Learning with Importance and Channel Awareness
Zhejiang University（浙江大学）；Northwestern University（西北大学）；The University of Hong Kong（香港大学）
在蜂窝联合边缘学习（FEEL）中，保持本地数据的多个边缘设备通过与接入点通信学习更新而不交换它们的数据样本来联合训练神经网络。在通信资源非常有限的情况下，安排最具信息性的本地学习更新是有益的。在本文中，提出了一种新的调度策略，利用多用户信道的多样性和多样性的边缘设备的学习更新的“重要性”。首先，一个新的概率调度框架的开发，以产生无偏的更新聚合FEEL。局部学习更新的重要性通过其梯度发散来衡量。如果一个边缘设备被调度在每个通信轮，调度策略推导出封闭的形式，以实现信道质量和更新重要性之间的最佳权衡。然后扩展概率调度框架以允许在每个通信回合中调度多个边缘设备。使用流行的模型和学习数据集获得的数值结果表明，所提出的调度策略可以实现更快的模型收敛和更高的学习精度比传统的调度策略，只利用一种类型的多样性。
2020-06-23 cs.IT cs.LG cs.NI
Towards a Federated Learning Framework for Heterogeneous Devices of Internet of Things
University of California, Davis（加利福尼亚大学戴维斯分校）
联邦学习（FL）由于其将数据保存在本地设备上的能力而在工业界和研究界受到了极大的关注。为了聚合局部模型的梯度以训练全局模型，现有的工作要求全局模型和局部模型相同。然而，物联网（IoT）设备在计算速度和板载存储器方面本质上是多样化的。在本文中，我们提出了一个FL框架，针对物联网设备的异构性。具体地，从全局模型压缩局部模型，并且使用压缩的局部模型的梯度来更新全局模型。我们进行了初步的实验，以说明我们的框架可以促进物联网感知FL的设计。
2021-05-31 cs.DC cs.LG cs.NI
Joint Communication and Over-the-Air Computation for Semi-Federated Learning Towards Scalable AI in Computing-Heterogeneous IoT Systems
Beijing University of Posts and Telecommunications（北京邮电大学）
针对计算异构物联网的可扩展AI需求，本文提出融合CL与FL的SemiFL框架，结合通信与空中计算联合设计及抗干扰收发器架构，仿真验证其学习效率与收敛性优于两类基准FL方案。
2025-11-18 cs.NI cs.SY eess.SY
Dynamic Joint Scheduling of Anycast Transmission and Modulation in Hybrid Unicast-Multicast SWIPT-Based IoT Sensor Networks
针对基于SWIPT的物联网传感器网络中分离式接收机能耗高的问题，结合集成接收机架构，提出UMSM联合调度算法，在满足吞吐量与采能约束下实现更优的采能与吞吐量性能。
2023-07-17 cs.IT cs.NI cs.SY
Joint Device Scheduling and Resource Allocation for Latency Constrained Wireless Federated Learning
Hitachi (China) Research & Development Cooperation（日立（中国）研发有限公司）
在联邦学习（FL）中，设备通过经由无线信道上传其本地模型更新来为全局训练做出贡献。由于有限的计算和通信资源，设备调度对FL的收敛速度至关重要。在本文中，我们提出了一种联合设备调度和资源分配策略，以在给定的总训练时间预算内最大化延迟受限的无线FL的模型精度。训练性能损失的倒数的下限，根据训练轮的数量和每轮调度的设备的数量，导出。在此基础上，将精度最大化问题分解为两个子问题进行求解。首先，给定被调度的设备，最优带宽分配建议将更多带宽分配给具有较差信道条件或较弱计算能力的设备。然后，引入贪婪设备调度算法，在每一步中选择消耗最少更新时间的设备，直到最优带宽分配的下限开始增加，这意味着调度更多的设备会降低模型的准确性。实验结果表明，该策略优于国家的最先进的调度策略下，广泛的数据分布和细胞半径的设置。
2020-07-14 cs.IT cs.LG cs.NI
FMLFS: A Federated Multi-Label Feature Selection Based on Information Theory in IoT Environment
University of Kentucky（肯塔基大学）
本文提出首个联邦多标签特征选择方法FMLFS，利用互信息和联合熵度量特征相关性与冗余性，结合Pareto双目标与拥挤距离策略，在物联网环境中有效降低通信成本并提升分类性能。
2024-09-29 cs.IT cs.LG cs.NI
Dynamic Scheduling for Federated Edge Learning with Streaming Data
Linköping University（林雪平大学）
针对流式数据下联邦边缘学习的设备调度约束问题，提出基于Lyapunov优化框架的动态调度策略，在能耗与延迟约束下最大化时间平均数据重要性，性能优于未考虑时变数据重要性的方法。
2023-05-02 cs.DC cs.IT cs.LG
Delay and Overhead Efficient Transmission Scheduling for Federated Learning in UAV Swarms
本文针对无人机集群联邦学习中的多跳无线传输问题，提出一种智能聚合与高效传输调度框架，理论证明其实现最小延迟和通信开销，并通过数值实验验证其优于现有基线方案。
2024-02-22 cs.IT cs.NI cs.SY
