Challenges and issues in 4G Networks Mobility Management
无线宽带技术现在正在运动中以提供更高的数据率、更宽的覆盖范围和改进的移动性。为此，4G网络是各种无线技术的集成，并且期望提供无缝移动性。此外，4G网络将完全是基于IP协议的分组交换系统。4G网络的研究挑战之一是设计智能移动性管理技术，利用基于IP的技术来实现各种接入技术之间的全球漫游。因此，移动IPv6被认为是实现异构网络融合的关键技术之一。然而，原有的移动IPv6不支持移动网络的基本功能快速切换。致力于开发通用协议以实现无缝移动的研究小组数量。在本文中，我们确定和探讨不同的问题和挑战，在4G网络的移动性管理。
2021-12-12 cs.NI
An Intelligent Software Workflow Process Design for Location Management on Mobile Devices
网络技术、无线通信技术和计算机技术的进步，推动了移动通信基础设施的快速发展，极大地改变了移动设备上的信息处理方式。携带便携式设备的用户可以自由移动，同时仍然连接到网络。这为随时随地访问信息提供了灵活性。为了提高移动终端的灵活性，移动网络软件系统的设计面临着新的挑战，包括位置和移动性管理、信道分配、节能和安全。在本文中，我们提出了智能软件工具的移动设备上的软件设计，以满足移动定位和移动性管理的新挑战。在这项研究中，提出的业务流程重新设计（BPR）的概念是旨在扩展现有的，广泛使用的过程建模工具在行业中的能力与“智能”的能力，建议有利的替代方案，现有的软件工作流程设计，提高灵活性的移动设备。
2012-04-07 cs.NI cs.SE
Feasibility Study of Function Splits in RAN Architectures with LEO Satellites
针对移动流量增长需求，研究低轨卫星非地面网络中RAN功能拆分的可行性，分析低层拆分的约束、性能影响及低星载计算需求的优势，为NTN RAN设计提供参考。
2024-04-14 cs.NI
DRIVE: A Digital Network Oracle for Cooperative Intelligent Transportation Systems
在一个人工智能彻底改变推理、预测和决策任务的世界里，数字孪生成为改变游戏规则的工具。一个恰当的例子是合作智能交通系统（C-ITS）的开发和优化：网络物理数字基础设施和（半）自动移动性的融合。本文介绍了用于自驱动智能车辆（DRIVE）的数字孪生。开发的框架解决了传统的车辆和网络模拟器的缺点。它提供了一个灵活的，模块化的，可扩展的实现，以确保大规模的，全市范围的实验与适度的计算成本。我们的数字孪生的定义特征是一个独特的架构，允许提交顺序查询，数字孪生提供即时响应与“世界的状态”，因此是一个甲骨文。通过与外部智能代理和真实移动轨迹的双向交互，DRIVE为基于机器学习的C-ITS解决方案的开发、训练和优化提供了环境。
2020-07-07 cs.NI cs.SY eess.SY
Multi-Layer Perceptron-Based Relay Node Selection for Next-Generation Intelligent Delay-Tolerant Networks
针对延迟容忍网络中静态复制策略无法自适应区分高质量中继节点的问题，提出一种基于多层感知机的智能路由增强方法，通过机器学习模型预测并选择优质中继节点，显著提升了消息投递率并降低了延迟。
2025-09-14 cs.NI
Congestion Control Technique Using Intelligent Traffic and Vanet
道路交通堵塞是世界上几乎所有城市的一个最重要的问题，特别是在发展中地区，导致巨大的延误，增加燃料浪费和金钱损失。在本文中，我们已经得到了一个直观的想法，模拟现实世界的情况下，交通拥堵是非常高的关键区域。由于它是不容易建立和实现这样一个复杂的系统在现实世界中的所有参数的影响之前，在车辆自组织网络（VANET），一个小的现实世界的区域，即贾姆谢德普尔富豪地区被考虑在内，研究移动性在VANET的影响。交通流动已部署在整个地区正在考虑使用的现实车辆流动模型之一。该网络的行为进行了仿真，使用SUMO和NS2研究交通和交通灯在交叉口上的车辆到车辆（V2V）通信使用Ad hoc按需矢量（AODV）路由协议和IEEE 802.11标准的数据包传输的影响。从交通仿真结果，证明了给定的样本地图与交通灯和预定义的流量的拥塞问题可以解决。有可以忽略不计的拥挤在车道上时，交通逻辑改变，根据允许流量与高流量过载有高优先级比那些低负载。
2013-11-16 cs.NI
Lightweight Joint Simulation of Vehicular Mobility and Communication with LIMoSim
提供可靠和高效的通信是部署自动驾驶汽车以及智能城市中未来智能交通系统（ITS）的关键要求。在车联网（V2X）环境下，新型通信技术将不得不面对高度复杂且极其动态的网络拓扑，并需要在路由、切换和资源分配的决策过程中考虑移动性信息。因此，研究人员和开发人员需要能够为两个组件提供逼真的表示以及利用移动性和通信的融合的手段的仿真工具。在本文中，我们提出了一个轻量级的框架，用于模拟车辆的移动性，它具有面向通信的角度设计，并打算与网络模拟器结合使用。与现有方法相比，它的工作原理不需要使用集成方法的进程间通信（IPC），因此能够大大降低仿真设置的复杂性。由于移动性和通信共享相同的代码库，因此它能够对这两个组件之间高度相互依赖的场景进行建模。在一个概念验证的研究中，我们评估了所提出的模拟器在不同的示例场景中的长期演进（LTE）的背景下，使用现实世界的地图数据。
2018-02-21 cs.NI
Intelligent 6G Edge Connectivity: A Knowledge Driven Optimization Framework for Small Cell Selection
Istanbul Technical University（伊斯坦布尔理工大学）；Truva Inc.（Truva公司）
本文提出一种基于知识驱动的优化框架，用于解决6G密集小细胞环境中的智能用户关联问题，通过结合优化驱动的知识与轻量级学习，实现高效、低延迟的用户-细胞关联。
2026-03-12 cs.NI
Mobility-Aware Decentralized Federated Learning with Joint Optimization of Local Iteration and Leader Selection for Vehicular Networks
针对车辆网络中的移动性和资源约束，提出移动感知去中心化联邦学习框架，联合优化本地迭代与领导者选择，并基于MAPPO求解，提升训练效率。
2025-03-11 cs.NI
An Intelligent Location Management approaches in GSM Mobile Network
S.V College of Engineering（S.V工程学院）；AITS Rajampet（AITS拉贾姆佩特）；APGCCS
位置管理是指在无线网络中更新和搜索移动节点的当前位置的问题。为了使其有效，位置数据库的更新成本之和必须最小化。以前的工作依赖于固定位置的数据库是无法充分利用系统中的用户移动模式的知识，以实现这种最小化。该研究提出了一种智能位置管理方法，该方法在智能信息系统和知识库技术之间进行交互，从而可以动态地改变用户模式，减少VLR和HLR之间的转换。该研究提供了算法处理位置注册和呼叫传递的能力
2012-04-07 cs.AI cs.NI
Hybrid Intelligent Routing with Optimized Learning (HIROL) for Adaptive Routing Topology management in FANETs
针对FANET因UAV高速移动等导致的路由难题，提出融合ABC算法、DSR、OLSR与ANN的HIROL混合路由模型，可动态切换路由策略，经NS-2仿真验证在吞吐量、开销、投递率上均优于传统模型。
2024-06-21 cs.NI
A Synergy of Computing Power Networks and Low-Altitude Economy Intelligent Communications: Challenges, Design Principles, and Research Directions
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
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
Modeling and Simulation of Reconfigurable Intelligent Surfaces for Hybrid Aerial and Ground-based Vehicular Communications
随着自动驾驶水平的提高和智能交通系统（ITS）的未来应用，车辆通信的需求也在增长。除了对高容量无线电链路的需求不断增长之外，可靠性和延迟约束也对移动网络供应提出了挑战。虽然例如毫米波频谱和太赫兹频带提供了大量的无线电资源，但由于微妙的无线电信道条件和信号传播特性，它们的适用性受到限制。作为未来ITS基础设施的智能无线电环境（SRE）的一部分，可重构智能表面（RISs）通过有目的地培养无源反射来改善无线电链路质量。这样，被阻挡的毫米波或太赫兹波束可以通过RIS反射路径在障碍物周围被引导，以改善否则有限的覆盖范围。在这篇文章中，提出了RIS增强的车辆通信的应用用例。除了在建筑物的外墙上静态部署RIS之外，无人驾驶飞行器（UAV）可以根据需要提供反射能力，而未来的飞行器可以-在一个有远见的方法中-由超材料组成，允许在丰富的SRE中机会性地利用它们。基于我们的多尺度移动性和网络仿真模型的案例研究的结果清楚地突出了RIS部署混合车辆通信场景的潜力。路径损耗和中断百分比可以大大降低。
2021-08-29 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
A Reinforcement Learning Framework for Mobility Control of gNBs in Dynamic Radio Access Networks
本文提出一种强化学习框架，利用CC-SIM模拟器和DQN智能体动态控制gNB移动，以减少视距阻塞时间，实验显示最多可降低42%。
2025-08-04 cs.NI
Intelligent Blockage Prediction and Proactive Handover for Seamless Connectivity in Vision-Aided 5G/6G UDNs
University of Glasgow（格拉斯哥大学）
无线设备和实时服务需求的激增迫使移动到更高的频谱。毫米波（mmWave）和太赫兹（THz）频段与波束成形技术相结合，为超密集网络（UDN）提供了显着的性能增强。不幸的是，在较高频谱处经历的小区覆盖范围缩小和严重的穿透损耗使得移动性管理成为UDN中的关键问题，特别是优化波束阻塞和频繁切换（HO）。在城市中心和城市地区，流动性管理的挑战已经变得普遍。为了解决这个问题，我们提出了一种新的机制，利用无线信号和道路上的监控系统，智能地预测可能的堵塞提前执行及时HO。本文采用计算机视觉（CV）来确定障碍物和用户的位置和速度。此外，本研究引入了一个新的HO事件，称为块事件{BLK}，定义的存在的阻挡对象和用户向阻挡区域移动。此外，多元回归技术预测直到用户到达被阻挡区域的剩余时间，从而确定最佳HO决策。仿真结果表明，与无阻塞预测的典型无线网络相比，该算法在保持用户连接性和用户体验质量（QoE）方面提高了40%.
2022-02-21 cs.LG cs.NI eess.SP
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
Mobility-Aware Multi-Task Decentralized Federated Learning for Vehicular Networks: Modeling, Analysis, and Optimization
本文针对车载网络中多任务联邦学习的资源分配难题，提出移动感知多任务去中心化联邦学习框架，将任务调度、子载波分配和领导者选择联合建模为TSLP问题，并通过资源分配博弈与HAPPO算法求解，数值结果验证了其有效性。
2025-03-09 cs.NI
Dynamic Distributed Mobility Management System based on Multiple Mix-Zones over Road Networks
在新兴的智能交通系统（ITS）中，车辆可以访问互联网进行通信，以满足移动性管理和兴趣点分配的需要。因此，很明显，通过频繁地改变路边单元，可能需要对移动用户（MU）的快速切换管理以配置新的IP地址，然而正在进行的会话保持不受干扰。最近的研究表明，当前版本的IP移动性协议是集中式解决方案，在集中式环境中，数据业务和数据管理被路由到锚实体。车辆可能会以组的形式从一个RSU路由到另一个RSU，相应地，交换消息的业务量和移动性增加，这将显著影响网络的性能。面对这些挑战，IETF DDMM组织已经预期了一种名为DDMM（动态分布式移动性管理）的新结构。它是基于基于网络的CMM协议设计的，该协议被称为代理移动IPv6（PMIPv6）。然而，已经认识到，基于网络的DDMM和PMIPv6在切换延迟和分组丢失方面可能存在显著差异。因此，我们已经设想了基于网络的DDMM的快速切换（动态分布式移动性管理），其基于PMIPv6（PFMIPv6）的快速切换。针对MU承载IP流且具有多个不同锚实体的情况，我们设计了一些重要的补充措施来支持该模型，并推导了解析表达式，对给定的DDMM方案的切换性能进行了检验和比较，结果表明，DDMM方案在切换延迟、会话恢复和分组丢失等方面都优于以前的方案。
2017-06-06 cs.NI
Controlled Mobility for C-V2X Road Safety Reception Optimization
用于道路安全的C-V2X用例需要车辆之间的实时网络连接和信息交换。为了提高系统的可靠性和安全性，智能网联汽车需要协同移动，实现网络优化。在本文中，我们使用C-V2X侧链路模式4抽象和C-V2X网络级仿真的回归结果来制定在道路安全场景中具有公平性的分组接收速率（PRR）的优化。在此优化框架下，我们设计了一种受控移动算法，使传输节点能够自适应地调整位置，从而仅使用一跳信息就能最大化聚合PRR。仿真结果表明，该算法具有较好的收敛性，提高了C-V2X模式广播消息的聚合PRR和公平性。
2022-05-03 cs.NI cs.SY eess.SY
Multi-hop RIS-aided Learning Model Sharing for Urban Air Mobility
针对城市空中交通中飞行汽车因环境多变导致的数据收集与训练成本高的问题，提出利用多跳可重构智能表面和知识蒸馏改进深度学习模型共享，仿真显示总奖励提升85%。
2024-11-09 cs.NI
A Survey on Intelligent Computation Offloading and Pricing Strategy in UAV-Enabled MEC Network: Challenges and Research Directions
移动网络运营商（MNO）必须选择如何将移动终端（MD）查询委托给其移动边缘计算（MEC）服务器，以便最大化具有不同延迟需求的已接纳请求的总体益处。无人机和人工智能由于其部署的灵活性、无人机的高机动性和人工智能算法的高效性，可以提高MNO的性能。MD产生的成本与MNO获得的利润之间存在权衡。另一方面，将智能计算卸载到支持UAV的MEC是一种有前途的方式，可以弥合MD有限的处理资源以及用于UAV-MEC网络中的计算卸载的智能算法与即将到来的应用的高计算需求之间的差距。这项研究着眼于一些研究的好处，计算卸载过程中的无人机MEC网络，以及智能模型，用于计算卸载。此外，本文还探讨了几种智能定价技术在不同结构的无人机MEC网络。最后，本文重点介绍了一些重要的开放式研究问题和未来的研究方向，人工智能（AI）在计算卸载和应用智能定价策略的无人机MEC网络。
2022-08-22 cs.DC cs.NI
Artificial Intelligence-Enabled Intelligent 6G Networks
随着灵巧终端和基础设施的快速发展，以及多样化的应用（例如，虚拟和增强现实，远程手术和全息投影），当前的网络（例如，4G和即将到来的5G网络）可能无法完全满足快速增长的流量需求。因此，工业界和学术界都在努力研究6G网络。最近，人工智能（AI）已被用作设计和优化具有高智能水平的6G网络的新范例。为此，本文提出了一种基于人工智能的6G网络智能架构，实现知识发现、智能资源管理、自动网络调整和智能业务提供，该架构分为智能感知层、数据采掘与分析层、智能控制层和智能应用层四层。然后，我们回顾和讨论了人工智能技术在6G网络中的应用，并详细阐述了如何利用人工智能技术来有效地优化网络性能，包括人工智能授权的移动边缘计算，智能移动和切换管理以及智能频谱管理。此外，我们还强调了人工智能支持的智能6G网络的重要未来研究方向和潜在解决方案，包括计算效率、算法鲁棒性、硬件开发和能源管理。
2020-12-05 cs.NI eess.SP
Trusted Routing for Blockchain-Enabled Low-Altitude Intelligent Networks
针对低空智能网络的路由安全与稳定性挑战，提出基于区块链的零信任架构管理UAV，并设计基于多智能体双深度Q网络的自适应路由算法，使总端到端延迟平均降低22.38%。
2025-06-28 cs.NI
AIIM: Adaptive Inter-cell Interference Mitigation for Heterogeneous Multi-vendor 5G O-RAN Networks
Clemson University（克莱姆森大学）
本文提出AIIM，一种基于O-RAN近实时RAN智能控制器的自适应小区间干扰抑制xApp，通过多基站协同物理资源块分配，提升QoS满足度并减少干扰导致的PRB损失。
2026-05-01 cs.NI
Digital Twin-Enabled Mobility-Aware Cooperative Caching in Vehicular Edge Computing
Guangxi Normal University（广西师范大学）；Key Laboratory of Education Blockchain and Intelligent Technology, Ministry of Education（教育部教育区块链与智能技术重点实验室）；Guangxi Key Laboratory of Brain-inspired Computing and Intelligent Chips（广西脑启发计算与智能芯片重点实验室）；Guangxi Key Laboratory of Multi-Source Information Mining and Security（广西多源信息挖掘与安全重点实验室）；University Engineering Research Center of Educational Intelligent Technology（教育智能技术大学工程研究中心）；School of Computer Science and Engineering（计算机科学与工程学院）；PCA Lab（PCA实验室）；Key Lab of Intelligent Perception and Systems for High-Dimensional Information of Ministry of Education（教育部高维信息智能感知与系统重点实验室）
本文提出DAPR框架，通过数字孪生和深度强化学习优化车联网边缘缓存，提升缓存命中率和减少传输延迟。
2026-02-28 cs.NI
Smart Urban Mobility: When Mobility Systems Meet Smart Data
世界各地的城市正在急剧扩张，到2050年，城市人口增长将达到近25亿人，道路交通增长将超过12亿辆汽车。在欧洲，交通运输部门的经济贡献占国内生产总值的5%，在美国，交通运输部门的平均成本为4820.5亿美元。这些数字表明工业城市的迅速崛起，以及从传统城市向智慧城市转变的迫切需要。本文概述了不同的方法和技术，例如智能交通系统（ITS），它利用通信技术来帮助维护道路使用者在驾驶时的安全，并通过优化控制系统来支持自动驾驶。当与精确的人工智能模型相结合时，ITS的作用得到加强，这些模型用于优化城市规划，分析人群行为和预测交通状况。由于数十亿用户通过使用新技术和在线社交媒体生成的大量移动数据的存在，人工智能驱动的ITS正在成为可能。城市规划的优化提高了车辆的路径选择能力，解决了交通拥堵问题，如本文所讨论的。从生态的角度来看，我们讨论的措施和激励措施，以促进使用的流动性系统。我们还强调政治意愿在促进交通部门开放数据方面的作用，认为这是开发城市变得更健康和更可持续所需的技术解决方案的重要组成部分。
2020-05-09 cs.CY cs.NI
Mobility-assisted Over-the-Air Computation for Backscatter Sensor Networks
未来的智能系统将由大量无电池传感器组成，其中快速准确地聚合传感器数据将至关重要。空中计算（AirComp）是一种很有前途的技术，其中传感器通过无线信道并发地发送它们的测量，并且读取器由于叠加特性而接收测量的函数的噪声版本。AirComp中的一个关键挑战是各个传输的精确功率对准，之前通过使用传统的预编码方法来解决。在本文中，我们研究了无人机使能的后向散射通信框架，其中无人机作为一个功率发射器和阅读器。利用读取器的移动性来取代传感器处的复杂预编码，其中UAV首先在第一次飞越中收集和信道增益，然后使用这些来估计第二次飞越中的实际聚合传感器数据。我们的研究结果表明，在MSE高达10 dB的改进相比，无人机是不认识的和信道增益的基准情况下。
2020-01-12 cs.NI eess.SP
Simulating Hybrid Aerial- and Ground-based Vehicular Networks with ns-3 and LIMoSim
将无人机（UAV）集成到未来的智能交通系统（ITS）中，可以利用其独特的移动潜力来提高近场包裹递送、动态网络配置和空中传感等服务的性能。为了提供一个可控的环境的方法性能分析，仿真框架需要支持地面和空中的移动性，以及所涉及的通信技术。在本文中，我们提出了开源的轻量级ICT为中心的移动性仿真（LIMoSim）框架，用于在网络模拟器3（NS-3）中模拟混合车辆网络。LIMoSim实现了一种共享代码库耦合方法，该方法将所有必需的组件集成到单个仿真过程中。低层次的流动性行为依赖于众所周知的分析模型。不同的案例研究讨论了前沿的通信技术，如蜂窝车联网（C-V2X）和毫米波（mmWave），以说明如何将所提出的框架集成到基于ns-3的网络仿真设置。
2020-03-22 cs.NI eess.SP
Mitigating Unnecessary Handovers in Ultra-Dense Networks through Machine Learning-based Mobility Prediction
在5G无线通信中，智能交通系统（ITS）和自动驾驶等汽车应用受到广泛关注。这些应用具有严格的要求，并且通常需要高服务质量（QoS）。在城市环境中，超密集网络（UDN）不仅可以提供最佳的QoS，而且可以增加系统容量和频率重用。然而，密集小小区节点（SCN）部署的5G UDN的当前架构促使延迟、切换时间和切换失败增加。在本文中，我们提出了一个机器学习（ML）支持的移动性预测（MP）策略，以预测未来的车辆用户设备（VUE）的移动性和切换位置。所提出的方法的主要目的是最小化不必要的切换（UHO），同时确保VUE充分利用所部署的UDN。我们评估和验证我们的方法在下行链路系统级模拟器。我们使用支持向量机（SVM），决策树分类器（DTC），和随机森林分类器（RFC）预测移动性。仿真结果表明，平均减少30%的切换时间，利用ML为基础的MP，与RFC显示在某些情况下，最大的减少高达70%。
2023-02-23 cs.NI cs.SY eess.SY
Blockchain-Enabled Routing for Zero-Trust Low-Altitude Intelligent Networks
College of Electronic and Information Engineering, Nanjing University of Aeronautics and Astronautics（南京航空航天大学电子与信息学院）；College of Civil Aviation, Nanjing University of Aeronautics and Astronautics（南京航空航天大学民航学院）；College of Artificial Intelligence, Nanjing University of Aeronautics and Astronautics（南京航空航天大学人工智能学院）；College of Computing and Data Science, Nanyang Technological University（南洋理工大学计算机与数据科学学院）
本文提出基于区块链的零信任架构，通过多智能体深度Q网络优化低空智能网络中UAV集群的路由，提升路由稳定性和安全性。
2026-02-27 cs.AI cs.NI
AI-Based and Mobility-Aware Energy Efficient Resource Allocation and Trajectory Design for NFV Enabled Aerial Networks
在本文中，我们提出了一种新的联合智能轨迹设计和资源分配算法的基础上，用户的移动性和他们所要求的服务无人机（UAV）辅助网络，其中无人机作为节点的网络功能虚拟化（NFV）使能网络。我们的目标是通过分配有限的无线电和NFV资源，最大限度地提高能源效率，并最大限度地减少所有服务的平均延迟。此外，由于流量条件和用户的移动性，我们让一些虚拟网络功能（VNF）从其当前位置迁移到其他位置，以满足服务质量的要求。我们制定我们的问题，以找到接近最佳的位置的无人机，发射功率，子载波分配，放置，并调度所请求的服务的功能在无人机和执行合适的VNF迁移。然后，我们提出了一种新的分层混合连续和离散动作（HHCDA）的深度强化学习方法来解决我们的问题。最后，对算法的收敛性、计算复杂性以及不同参数下的性能进行了分析。仿真结果表明，与DDPG方法相比，HHCDA方法的请求拒绝率和平均延迟分别降低了31.5%和20%，能量效率提高了40%。
2021-05-21 cs.NI eess.SP
MEET: Mobility-Enhanced Edge inTelligence for Smart and Green 6G Networks
Beijing Jiaotong University（北京交通大学）；Tsinghua University（清华大学）；Beijing National Research Center for Information Science and Technology（北京信息科学与技术国家研究中心）
边缘智能是无线边缘实时训练和推理的新兴范例，从而实现关键任务应用。因此，需要密集地部署基站（BS）和边缘服务器（ES），导致巨大的部署和操作成本，特别是能量成本。在这篇文章中，我们提出了一个新的框架，称为移动性增强的边缘智能（MEET），它利用智能互联车辆的传感，通信，计算和自供电能力，用于智能和绿色6G网络。具体而言，运营商可以将基础设施车辆作为可移动BS或ES，并以更灵活的方式调度它们，以适应通信和计算流量的波动。同时，机会车辆的剩余计算资源被用于边缘训练和推理，其中移动性可以通过带来更多的计算资源，通信机会和多样化的数据来进一步增强边缘智能。通过这种方式，部署和运营成本分散在大量可用的车辆上，从而实现了具有成本效益和可持续性的边缘智能。此外，这些车辆可以由可再生能源提供动力以减少碳排放，或者在非高峰时段更灵活地充电以减少电费。
2022-10-27 cs.LG 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
Optimal Beam Association for High Mobility mmWave Vehicular Networks: Lightweight Parallel Reinforcement Learning Approach
University of Technology Sydney（悉尼科技大学）
在智能交通系统（ITS）中，期望车辆具有要求超高数据率和低延迟通信的高级应用和服务。为此，毫米波（mmWave）通信已经成为非常有前途的解决方案。然而，由于车辆的高机动性和毫米波波束对动态阻塞的固有敏感性，将毫米波纳入ITS特别具有挑战性。本文通过为高移动性下的毫米波车载网络开发最佳波束关联框架来解决这些问题。具体来说，我们使用半马尔可夫决策过程来捕捉环境的动态性和不确定性。Q-学习算法通常用于寻找最优策略。然而，Q学习因其收敛速度慢而臭名昭著。我们没有采用深度强化学习结构（如文献中的大多数作品），而是利用道路上通常有多辆车的事实来加速学习过程。为此，我们开发了一个轻量级的，但非常有效的并行Q-学习算法，快速获得最佳的政策，同时学习各种车辆。大量的模拟表明，我们提出的解决方案可以提高数据率的47%，减少断开概率的29%，相比其他解决方案。
2021-06-07 cs.LG cs.NI eess.SP
Quantum Inspired Vehicular Network Optimization for Intelligent Decision Making in Smart Cities
The University of Haripur（哈里普尔大学）；Government of Khyber Pakhtunkhwa（开伯尔-普赫图赫瓦省政府）；Princess Nourah Bint Abdulrahman University（公主努拉·宾特·阿卜杜勒·拉赫曼大学）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）；Hurghada University（赫尔加达大学）
本文提出QIVNOM框架，通过联合优化车对车和车对基础设施通信及城市交通控制，降低延迟并提升可靠性，在模拟中表现优于基线方法。
2026-03-26 cs.NI quant-ph
Deep Reinforcement Learning for Joint Cruise Control and Intelligent Data Acquisition in UAVs-Assisted Sensor Networks
针对无人机辅助传感器网络中无人机移动速度引发的丢包与信息年龄过高问题，提出联合优化多无人机速度与采集调度的丢包最小化方案，以及平均场飞行资源分配优化方法以降低信息年龄。
2023-12-15 cs.AI cs.NI eess.SP
Advancing Network Digital Twin Framework for Generating Realistic Datasets
KTH Royal Institute of Technology（皇家理工学院）；Ericsson Research（爱立信研究）；NYU Tandon（纽约大学坦登工程学院）
提出一个集成可控车辆移动性、光线追踪器Sionna和离散事件模拟器ns-3的开源网络数字孪生框架，用于生成跨层真实数据集，支持可重复实验和机器学习算法基准测试。
2026-06-03 cs.NI eess.SP
Open RAN-Enabled Deep Learning-Assisted Mobility Management for Connected Vehicles
Centro de Informática (CIn) Universidade Federal de Pernambuco (UFPE)（伯南布哥联邦大学信息中心）
针对高移动性场景下网联车辆因基站频繁切换导致通信中断与服务质量下降的问题，提出基于Open RAN与深度学习的移动性管理方案，在近实时RIC中部署xApps，经真实城市场景验证，性能优于标准3GPP切换流程且时延更低。
2024-12-30 cs.AI cs.NI
Digital Twin-based SIM Communication and Flight Control for Advanced Air Mobility
本文针对先进空中交通中eVTOL空地通信与安全飞行规划问题，提出基于数字孪生和堆叠智能超表面的复合势场方法，实现通信效率与飞行安全协同优化，仿真显示传输速率提升8.3%、走廊偏离降低10%。
2025-01-03 cs.NI eess.SP
RIS-empowered Topology Control for Distributed Learning in Urban Air Mobility
School of Information and Communication Engineering, University of Electronic Science and Technology of China（电子科技大学信息与通信工程学院）；Shenzhen Institute for Advanced Study, University of Electronic Science and Technology of China（电子科技大学深圳高等研究院）；College of Information Science and Electronic Engineering, Zhejiang University（浙江大学信息科学与电子工程学院）；School of Electrical and Electronics Engineering, Nanyang Technological University（南洋理工大学电气与电子工程学院）
针对城市空中交通中飞行汽车资源受限且传统联邦学习难部署、分布式学习收敛性无保障的问题，提出RIS赋能的拓扑控制方法，结合拉普拉斯矩阵特征值优化准则与深度确定性策略梯度算法重塑网络，在保证收敛的同时提升学习性能。
2024-03-08 cs.IT cs.LG cs.NI
Enabling Connectivity for Automated Mobility: A Novel MQTT-based Interface Evaluated in a 5G Case Study on Edge-Cloud Lidar Object Detection
RWTH Aachen University（亚琛工业大学）；Institute for Automotive Engineering（汽车工程研究所）
在自动驾驶车辆与外部服务器、智能基础设施和其他道路使用者之间实现安全可靠的高带宽低延迟连接是实现完全自动驾驶的核心步骤。允许这种连接的数据接口的可用性有可能将人工代理在连接、合作和自动移动系统中的能力与不拥有这种接口的人类操作员的能力区分开来。连接的代理可以例如共享数据以构建集体环境模型、规划集体行为、以及从集中组合的共享数据集体学习。本文提出了允许连接实体交换数据的多种解决方案。特别是，我们提出了一个新的通用通信接口，它使用的消息传输远程通信传输（MQTT）协议连接代理运行的机器人操作系统（ROS）。我们的工作集成了各种方法，以实时的各种关键性能指标的形式评估连接质量。我们比较了各种方法，这些方法为5G网络中边缘云激光雷达目标检测的示例性用例提供了必要的连接。我们表明，基于车辆的传感器测量的可用性和接收相应的对象列表从边缘云之间的平均延迟低于87毫秒。所有实现的解决方案都是开源的，免费使用。源代码可在https://github.com/ika-rwth-aachen/ros-v2x-benchmarking-suite上获得。
2022-09-08 cs.NI cs.RO
Deep Learning for THz Drones with Flying Intelligent Surfaces: Beam and Handoff Prediction
我们考虑的问题，主动切换和波束选择太赫兹（THz）无人机通信网络辅助可重构智能表面（RIS）。无人机已经成为下一代无线网络的关键资产，以提供无缝连接并扩展覆盖范围，并且可以在很大程度上受益于在THz频段中操作以实现高数据率（例如考虑用于6 G）。然而，太赫兹通信非常容易受到信道损伤和阻塞效应的影响，这在考虑无人机移动性时变得格外具有挑战性。RISs通过适应渠道动态，提供了扩展覆盖范围的灵活性。为了将RIS集成到THz无人机通信中，我们提出了一种基于递归神经网络的新型深度学习解决方案，即门控递归单元（GRU），该解决方案基于无人机位置/波束轨迹的先前观察，主动预测每个无人机的服务基站/RIS和服务波束。该解决方案有可能扩大无人机的覆盖范围，并增强下一代无线通信的可靠性。基于无人机波束/位置轨迹预测未来波束显著降低了波束训练开销及其相关延迟，因此成为服务于时间关键型应用的可行解决方案。基于真实3D射线跟踪模拟的数值结果表明，所提出的深度学习解决方案通过实现接近最佳的主动切换性能和超过90%的波束预测准确度，对于未来的RIS辅助THz网络是有希望的。
2021-02-22 cs.IT cs.NI math.IT
