物联网(IoT)的普及创建了一个超连接生态系统,在此系统中,设备在严格的 CPU 容量、内存、能耗和延迟限制下进行通信、计算和协作。在此背景下,任务卸载和资源分配已成为将计算负载转移到边缘、雾、云及其他具备计算能力的资源的关键机制,同时有效优化系统性能、保存能源并高效利用网络资源。6G 及相关技术的出现,包括超可靠低延迟通信、天地一体化网络、智能边缘计算和自主系统,同时也进一步增加了物联网应用的机遇和挑战。
本专刊(SI)题为“下一代网络中物联网的任务卸载与资源分配”,介绍了九项贡献,涉及计算卸载、最优资源管理、智能网络、智能车载系统、自主机器人和物联网启用应用的重要方面。这些已发表论文通过研究异构网络环境、动态移动系统、多样化任务需求、可靠性、人工智能以及跨天地一体化网络、车载通信、移动边缘计算、可重构智能表面(RIS)、设备到设备(D2D)通信、无人机(UAV)、自主移动机器人和人工智能启用物联网系统的通信和计算资源协同,总体上反映了本专刊的目标。同时,这些环境引入了重大挑战,包括异构网络条件、移动性、有限的计算和能源资源、严格的任务资源需求、不可靠的链路、复杂的传输路径和实时决策。应对这些艰难挑战确实需要综合方法,能够共同考虑通信、计算、感知、资源分配、可靠性和人工智能。
大多数贡献集中在新兴无线网络中的计算卸载和资源优化。[1] 中的两阶段多目标协同优化策略解决了天地一体化网络中的计算卸载问题,强调了在高度异构环境中平衡多个目标的必要性。另一方面,[2] 提出了一种基于最优停止理论的动态卸载策略,用于车联网(V2V)通信场景,强调了在移动且快速变化的网络中及时决策的重要性。[3] 中提出的传输路径选择和联合计算 - 通信资源分配框架考虑了支持 RIS 和 D2D 的 6G MEC 网络,说明了如何协调多种使能技术来提高网络效率。此外,[4] 研究了面向多样化任务需求的天地一体化网络中的计算卸载,并纳入可靠性机制以解决服务连续性和鲁棒性问题。
无人机辅助 MEC 和自主系统也是本专刊的重要主题。[5] 中提出的无人机轨迹优化和任务卸载策略使用混合元启发式算法,共同解决 MEC 环境中的移动性和计算决策问题。对于自主机器人,[6] 提出了具有任务卸载的自主移动机器人的资源分配算法,展示了协调机器人任务与分布式计算资源的重要性。这些研究有助于实现开发自适应和自主系统的更广泛目标,这些系统能够在运营和资源约束下做出高效决策。
其他论文为物联网和交通相关应用提供了人工智能启用解决方案。[7] 中基于 YOLOv8 的方法解决了路况不均和车辆平衡系统问题,展示了计算机视觉和物联网技术如何支持智能交通和车辆相关应用。[8] 中的信号预处理机制利用支持向量机增强了物联网设备识别,强调了设计好的预处理和学习技术在提高物联网智能可靠性方面的作用。在更广泛的系统层面,[9] 中的研究提供了 5G 和 6G 无线网络中人工智能驱动移动性管理的综述,综合了当前方法并确定了智能、自适应和可扩展移动性解决方案的重要性。
总的来说,这九项贡献解决了该领域的几个重要缺口。首先,它们超越了孤立的优化问题,考虑了通信、计算、移动性、可靠性和任务需求之间的协作。其次,它们将智能资源管理扩展到多种平台,包括陆地、空中、空间、车载和机器人系统。第三,它们展示了结合优化理论、元启发式算法、机器学习、深度学习、计算机视觉和人工智能驱动决策的价值。最后,本合集既包括专注的研究贡献,也包括更广泛的综述视角,从而将具体的技术解决方案与 5G 和 6G 网络的更广泛演进联系起来。
尽管取得了这些进展,但仍存在显著的研究空白。未来的解决方案必须支持高度动态和大规模网络,同时保持低延迟、高能效、可靠性、安全性、隐私性和可扩展性。空间、空中、陆地、车载和机器人平台的日益整合带来了与互操作性、分布式协调、不确定性、可解释性以及高质量现实世界数据可用性相关的额外挑战。此外,许多提出的方法需要通过现实测试平台、大规模实验、标准化基准和部署导向研究进行进一步验证。
因此,未来的研究应侧重于健壮且可解释的人工智能驱动方法,这些方法能够在信息不完整、网络条件多样和资源约束严格的情况下运行。有希望的方向包括联邦学习和持续学习、可信和隐私保护智能、联合通信计算感知优化、数字孪生、语义和面向目标的通信、能量感知网络以及可持续网络设计。还应进一步关注空间、空中、地面、车辆和机器人之间的跨域编排、不确定性下的弹性优化、安全感知卸载以及使用开放数据集和常见性能指标的可重复评估。
我们很高兴呈现这九项贡献,它们共同推动了智能通信、计算卸载、资源管理和物联网启用应用的发展。我们感谢作者们的宝贵贡献,感谢审稿人细致的评估和建设性反馈,并感谢编辑团队的支持。我们希望本专刊能激发进一步的研究和合作,朝着更智能、可靠、可持续和自主的通信与计算系统迈进。