面向资源受限物联网网状网络的轻量级人工智能驱动分布式自愈框架——EdgeRescue

《Computation》:EdgeRescue: Lightweight AI-Based Self-Healing for Energy-Constrained IoT Meshes Haifa A. Alanazi, Abdulaziz G. Alanazi and Nasser S. Albalawi

【字体: 大 中 小 】 时间:2026年04月04日 来源:Computation 1.9

编辑推荐:

  针对资源受限的物联网(IoT)网状网络中现有自愈机制依赖集中式处理、计算开销大且恢复延迟高的问题,研究人员提出了一种名为EdgeRescue的轻量级人工智能(AI)驱动分布式自愈框架。该框架将异常检测与路由恢复功能嵌入单个节点,无需网关或云端干预即可实现自主故

  
针对资源受限的物联网(IoT)网状网络中现有自愈机制依赖集中式处理、计算开销大且恢复延迟高的问题,研究人员提出了一种名为EdgeRescue的轻量级人工智能(AI)驱动分布式自愈框架。该框架将异常检测与路由恢复功能嵌入单个节点,无需网关或云端干预即可实现自主故障管理。系统通过采集电压水平、接收信号强度指示(RSSI)、数据包到达间隔时间及传输队列长度等多维时序特征,构建归一化时间序列输入,利用经训练后量化为int8的紧凑型一维卷积神经网络(1D-CNN)模型计算异常评分。当评分超过阈值τ时,节点广播故障通知包(FNP)至单跳邻居,触发分布式修复协议(DHP)。新路径选择基于综合代价函数Ci,j,该函数融合链路质量(RSSI的倒数)、剩余能量Ej及节点异常评分Sj,并通过加权决策缓冲(引入遗忘因子λ)平滑波动以防止路由震荡。实验结果表明,相较于标准RPL协议及现有基线方法,EdgeRescue在100节点的Cooja仿真环境中将平均恢复时间(MRT)缩短了57%,误报率(FPR)降低了45%以上,同时显著提升了数据包投递率(PDR)并降低了节点能耗,验证了其在真实低功耗无线个域网(LLNs)中的有效性。
EdgeRescue是针对低功耗物联网网状网络设计的一种分布式自愈框架,旨在解决传统路由协议依赖集中式控制、故障响应慢及能耗高的问题。研究人员指出,现有方案往往将检测与恢复分离,且难以在计算能力有限的终端设备上运行。为此,该研究构建了一个完全去中心化的系统,每个节点独立运行轻量级1D-CNN模型监测本地遥测数据,包括瞬时电压Vi(t)、接收信号强度指示RSSIi(t)、包间到达时间ΔTi(t)及传输队列长度Qi(t)。这些信号被归一化并切分为短时序列向量Hi,输入至异常检测模型fθ。若输出的异常评分yi> τ,节点即判定为故障并广播FNP。接收到FNP的邻居节点随即执行分布式修复协议,通过最小化路径代价Ci,j= α · (1/RSSIi,j) + β · (1/Ej) + γ · Sj重新计算路由,其中α、β、γ为权重系数。此外,系统引入能量感知决策缩放机制,利用公式?i,j(t) = λ · Ci,j(t) + (1-λ) · ?i,j(t-1)平衡实时测量值与历史稳定性,避免单一节点过载。
在技术方法上,研究人员采用Cooja仿真器结合Contiki-NG操作系统构建了包含100个随机分布节点的测试环境,模拟电池耗尽、队列溢出及信号衰减三种故障类型。对比基线包括标准RPL、基于决策树的LightNet、带集中式学习的HealNet及无监督检测的UDAD。评估指标涵盖包投递率(PDR)、平均恢复时间(MRT)、能耗、误报率(FPR)及检测精确率等。此外,通过消融实验验证了异常检测、能量感知及ACK验证三个核心组件的贡献,并进行了网关隔离测试以证明系统的完全分布式特性。
研究结果如下:
4.1节详细定义了用于异常检测的多元输入特征,强调了多维时序信号在捕捉细微故障前兆中的作用。
4.2节介绍了轻量级1D-CNN模型的部署,模型经训练后量化至int8,仅需92 KB Flash与24 KB SRAM,推理耗时1.2 ms,适合ARM Cortex-M4F等微控制器。
4.3节阐述了分布式自愈机制。一旦节点被标记,邻居节点更新路由表并基于综合代价函数重新计算路径。实验证明该机制不依赖网关,即使在网关断开的情况下仍能维持91.3%的PDR。
4.4节分析了能量感知决策缩放。通过引入遗忘因子λ ∈ [0,1],系统有效防止了路由抖动,确保了恢复过程的平滑性。
4.5节给出了协议伪代码,明确了从监测、检测到重路由的完整工作流。
4.6节展示了模型在TinyML平台上的兼容性,支持TensorFlow Lite Micro与CMSIS-NN。
第5节实验结果显示,EdgeRescue实现了94.6%的PDR与3.9 s的MRT,显著优于基线。异常检测精确率达96.1%,召回率93.8%,F1值94.9%。能耗仅为63.5 mAh,较RPL降低约19%。消融实验表明,移除任一组件均会导致性能下降,证明了各模块的必要性。阈值敏感性分析指出τ=0.5为兼顾高召回与低误报的最佳平衡点。
在讨论部分,研究人员指出EdgeRescue的优势在于将AI检测与能量感知路由深度融合,实现了真正的节点级自治。然而,当前模型依赖离线训练,可能存在冷启动问题;固定阈值τ在不同环境下的适应性有待提升;且未覆盖静默故障及移动拓扑场景。此外,所有结果基于仿真,物理硬件验证是未来的必要工作。
结论部分强调,EdgeRescue通过本地化的智能决策,成功解决了资源受限物联网网络的自愈难题,为工业自动化与环境监测等关键基础设施提供了一种高效、低耗的解决方案。未来工作将聚焦于在线学习能力的集成及在TelosB与ESP32等物理硬件上的部署验证。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号