毫米波AI RouteNet:一种用于超低功耗自适应6G网络切片与路由的智能物联网集成深度学习模型

《Knowledge-Based Systems》:mmWave-AI RouteNet: An intelligent IoT-integrated Deep Learning model for adaptive 6G network slicing and routing ultra-low power

【字体: 大 中 小 】 时间:2026年09月30日 来源:Knowledge-Based Systems 8.0

编辑推荐:

   •自适应毫米波网络切片通过ASDRFCA框架实现。•通过B-LIMERF模型实现可解释的联邦客户端选择。•DCOTOA优化低延迟和高效网络通信的路由。•网络切片、联邦学习和路由联合优化。•该框架支持可扩展、智能的第六代网络管理。 ## 引言 第六代(6G)网络是下一代无线

  

•自适应毫米波网络切片通过ASDRFCA框架实现。•通过B-LIMERF模型实现可解释的联邦客户端选择。•DCOTOA优化低延迟和高效网络通信的路由。•网络切片、联邦学习和路由联合优化。•该框架支持可扩展、智能的第六代网络管理。

## 引言

第六代(6G)网络是下一代无线网络,旨在为大规模物联网(IoT)应用提供智能、超高可靠、大容量的连接。使能技术之一是网络切片,它允许多个虚拟网络在公共物理网络上运行,以满足不同的服务需求。此能力对于新兴应用(如工业自动化、智能制造、自动驾驶系统和智能交通)非常有用,这些应用需要同时满足异构的服务质量(QoS)需求[1], [2], [3]。然而,海量连接设备和无线环境的高度动态性显著增加了资源管理和业务供给的复杂性。未来无线网络需要智能机制,以持续适应变化的流量模式、用户移动性和信道条件。虽然当前研究在资源分配、网络切片和服务编排方面取得了重大进展,但在动态网络中,低延迟和高资源利用率的可靠通信仍然是一个挑战[4]。因此,需要自适应框架来有效管理网络资源,确保可扩展性、可靠性和服务质量。

近年来,智能学习方法被探索用于增强高级无线网络的网络管理。为工业机器人通信实现自适应网络切片,[5]提出了一种基于Gale-Shapley(GS)的长短期记忆(LSTM)弹性切换框架。为此,[6]使用卷积神经网络(CNN)提取网络切片特征,并进行语义信息压缩以降低处理延迟。[7]提出了一种基于Transformer的流量预测和网络优化方法,[8]使用随机森林(RF)、决策树(DT)、支持向量机(SVM)和前馈神经网络(FNN)等智能学习模型进行切片分类和移动性预测。[9]提出了智能数字媒体交互系统(IDMIS)框架用于用户行为预测,[10]使用Dipper Throated优化高效Elman神经网络(DTO-EENN)进行智能车载网络环境中的流量预测。为实现可扩展性和灵活性,[11]提出了自适应编排无线接入网络机制(AORANM)架构,[12]提出了联邦元强化学习(Fed-MRL)和虚拟网络功能(VNF)来提高切片移动性预测,同时保持数据隐私。

路由优化在增强下一代网络通信可靠性方面受到广泛关注。在这方面,[13]提出了一种基于能量高效多路径路由(EEMR)-深度强化学习(DRL)的工业物联网(IIoT)应用能量高效多路径路由策略。[14]开发了一种联邦混合安全路由协议(F-HSRP),结合了异常检测、信任感知路由、加密和区块链验证。[15]使用图卷积网络(GCN)和DRL增强路径选择,[16]使用低功耗蓝牙(BLE)网状网络和蚁群优化(ACO)优化能量高效路由。为增强动态无线环境中通信效率,其他研究聚焦于功率管理[17]、移动性感知路由[18]以及QoS感知路由协议[19]。表1展示了与网络切片和低功耗路由相关的现有方法的比较分析。

尽管近期研究在6G IoT网络的智能资源管理、联邦学习、网络切片和路由方面报告了令人振奋的结果,但仍存在若干关键研究挑战。当前网络切片方案大多基于集中式机器学习(ML)或深度学习(DL)模型的自适应资源分配,不适合在高度动态的6G毫米波海量IoT环境中进行隐私保护的分布式决策制定。虽然联邦学习(FL)已被提出解决数据隐私问题,但现有方法通常独立优化切片分配,而不考虑时间流量模型、软件定义控制或理论收敛保证。此外,可解释人工智能(XAI)主要被用作事后解释工具,无法在分布式学习中提供透明度和可靠性。

大多数现有方法主要聚焦于单个网络功能或孤立的优化策略,未能充分应对动态流量、信道和节点密度条件下切片、联邦客户端选择和路由的协调适应。特别是,缺乏跨层协调和可解释性驱动的客户端选择限制了当前方法在动态毫米波海量IoT启用的6G环境中的适用性。为弥补这一差距,本研究提出了一种跨层6G资源和路由框架,集成了基于CAE–GRU的联邦Q学习用于自适应切片、不确定性感知的可解释性驱动联邦客户端选择以及自适应切片感知路由。该框架通过比较实验、节点密度和可扩展性分析、恶劣条件评估、交叉验证、统计显著性检验以及分模块消融研究进行验证,使用准确率、精确率、召回率、F1分数、数据包交付率(PDR)、吞吐量、延迟、能耗、资源利用率和计算开销作为评估指标。该提出的框架为动态毫米波海量IoT启用的6G网络提供了一种实用且有实证支持的进展。

尽管在自适应6G网络切片和IoT系统的超低功耗路由方面取得了进展,但现有研究在动态资源分配、可扩展性、能效和隐私保护方面仍存在重要局限。目前,现有模型如基于LSTM的GS-ESM[5]、基于CNN的语义压缩[6]以及基于Transformer的模型[7]推进了网络切片领域的发展,但受限于高计算成本和资源受限环境下的实时自由度有限。此外,在已经异构的IoT环境中引入AI技术带来了更多的安全、互操作性、泛化挑战,以及6G中提出的动态场景。因此,所提出的方法弥补了开发健壮且智能模型的研究空白,这些模型能够准确预测信道行为并高效分配网络切片,同时确保可靠的路由和资源供给。

•本研究提出了一种mWAIRF框架,集成了自适应网络切片、联邦决策制定和路由优化,适用于毫米波海量IoT启用的6G网络。现有方法独立处理这些功能;所提出的框架引入了一种统一设计,用于协调端到端优化。
•开发了一种ASDRFCA方案,将6G切片建模为马尔可夫决策过程(MDP),并采用基于CAE–GRU–Q学习的策略进行分布式切片适应,适用于动态流量和服务条件。与传统的自编码器方法和联邦学习切片方法相比,该设计提高了资源利用率和网络响应能力。
•引入了一种可解释的客户端选择策略B-LIMERF,将XAI与贝叶斯ReliefF–LIME混合机制结合,以保留互信息。该方法通过可解释的特征归因选择信息丰富的边缘客户端,增强了联邦6G切片参与的可解释性和可靠性。
•开发了一种DCOTOA模型,支持切片感知决策制定和路由优化,在变化的网络条件下实现高效的路径选择,并改进延迟和吞吐量性能。
•所提出的框架通过广泛的仿真实验和消融研究进行验证。结果表明,集成的mWAIRF框架在分类准确率、网络效率和服务质量方面比现有基线方法在毫米波海量IoT场景中提供了持续改进。

所提出的mWAIRF框架的创新之处在于其协调的跨层优化,其中自适应网络切片、可解释的联邦客户端选择和切片感知路由通过持续的信息交换进行联合优化,而非被视为独立的决策问题。自适应切片模型采用基于CAE–GRU的Q学习,在变化的网络条件下对eMBB、URLLC和mMTC切片进行自适应资源分配。可解释的联邦客户端选择模型将不确定性和特征级解释直接纳入联邦客户端选择,实现对信息丰富且可靠客户端的识别。流量和拓扑感知路由优化根据动态网络状态进行流量和拓扑感知路由优化。通过跨层协调,这些机制共同利用学习层、切片层和路由层的信息,使决策能够适应客户端可靠性、流量需求、信道条件和网络拓扑的变化。该框架在不同节点密度、流量负载、移动性、干扰和丢包条件下进一步进行了验证,证明了其在动态毫米波海量IoT启用的6G网络中的适用性。

**研究问题:**

RQ1:为什么自适应深度学习毫米波网络切片有益于6G系统中的IoT流量管理?
RQ2:基于XAI的客户端选择是否能为网络切片的联邦学习分析提供更好的可解释性和准确性?
RQ3:采用路由优化模型DCOTOA的路由优化是否能在大规模IoT网络中降低延迟和丢包率,同时提高吞吐量?
RQ4:联合优化切片和路由对6G网络的可扩展性和QoS有何影响?
RQ5:统一的AI启用的毫米波框架是否能为未来IoT部署实现安全、节能和自适应通信?

**假设:**

H1:ASDRFCA启用的动态切片在各种IoT流量负载下显著提高了资源分配效率并降低了能耗。
H2:B-LIME–ReliefF可解释客户端选择方法在保持切片管理高预测准确率的同时提高了决策透明度。
H3:基于DCOTOA的路由产生最优路径,与现有路由方法相比降低了延迟和丢包率,同时提高了吞吐量。
H4:协调的切片和路由优化比独立优化方法更有效地提高了整体网络可扩展性、可靠性和QoS。
H5:mWAIRF为确保动态下一代IoT基础设施的适应性、能效和隐私保护提供了更大的保障。

## 研究组织

研究组织如下。第1节提供与假设相关的动机和贡献。第2节提供切片、基于XAI的客户端选择和路由方案的定义。第3节描述实施和实验,第4节描述结果和讨论,第5节总结并讨论未来工作。

## 章节摘要

### 提出的毫米波-AI RouteNet框架

所提出的跨层6G资源和路由框架为大规模IoT网络提供了超低功耗的智能6G网络切片和路由。该架构根据实时服务需求动态分配切片,同时通过可解释AI确保决策透明度。路由优化实现了30%的延迟降低、25%的吞吐量提高和20%的丢包率降低。图1展示了所提出的端到端处理工作流。

### 实验结果

本节提供了所提出的跨层6G资源和路由框架mWAIRF在现实6G毫米波海量IoT场景中的实验验证。

### 讨论

所提出的方法实现在Python平台上进行。表2详细说明了自适应6G网络切片和路由方法的配置以及参数,这些参数表明了信道带宽、噪声功率、传输功率估计以及学习率和创新性比较指标。节点部署仿真的结果如表3所示,展示了改进的节点部署效率、资源利用率和QoS水平。

### 结论

所提出的ASDRFCA框架在自适应6G网络切片和路由方面在多个指标上优于基线方法,包括准确率、精确率、召回率和F1分数。DCOTOA路由优化算法改进了路由路径选择并减少了处理时间。研究发现,随着节点部署的增加,效率和QoS有所提高,且最优学习率为0.001时成功率最高,准确率达99.5%,处理时间极短。

### 未来展望

尽管所提出的mWAIRF框架在模拟6G IoT环境中表现出色,但仍有几个有前景的方向可以进一步增强其实际应用性和影响力。

•**现实验证与部署:** 未来的主要展望之一是在5G/6G和边缘IoT平台的物理测试床上对框架进行实验验证,包括移动性模型、硬件损伤和非理想信道条件。验证还包括整合贡献者声明(CRediT)。

**作者贡献声明:**
Lokaiah Pullagura:概念构思。Samuthira Pandi Velusamy:监督指导。Mariya Princy Antony Saviour:可视化。Mamta Sanjay Koban:项目管理。Supriya Gupta Bani:撰写——原稿。Prashant Agrawal:撰写——审阅与编辑。

**资金:** 本研究未获得公共、商业或非营利部门的任何特定资金资助。

**利益冲突声明:** 作者声明不存在任何已知的竞争性经济利益或个人关系可能影响本文所报告的工作。

**致谢:** 无

**作者:** Lokaiah Pullagura | Samuthira Pandi Velusamy | Mariya Princy Antony Saviour | Mamta Sanjay Koban | Supriya Gupta Bani | Prashant Agrawal
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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