自动驾驶车辆(Connected and Autonomous Vehicles,CAVs)利用车联万物(Vehicle-to-Everything,V2X)和6G网络数据实现合作感知服务(Cooperative Perception Service,CPS)。在实际交通系统中,会出现多个CAVs同时感知并分享同一对象的情况,导致在网络中交换了许多不相关的冗余信息,从而增加了额外的通信开销。为了解决这个问题,提出了一种基于信息价值(Value of Information,VoI)的冗余压缩策略。首先,通过数学方法来量化感知信息的价值;接着,当CAV向基站发送上传请求时,信息价值汇总到基站;然后,将CPS的满意度表示为基站控制下的一个最大化问题,并通过模拟退火(Simulated Annealing,SA)算法进行求解。该策略允许基站最优地控制CAV上传的信息,最大限度地提高CAV协作感知的效用,并最小化V2X网络中的冗余。仿真结果表明,与现有策略相比,该策略能有效降低目标冗余,使平均减少22.3%的传输延迟,使CPS质量提高21.6%。

针对测向站选址优化部署方案迭代效率低、易陷入局部收敛的问题,文中总结了站点布局对系统定位性能的影响规律,基于最优化理论的基本思想进行了AOA定位优化布局的问题描述和模型建立,并综合考虑了实际定位场景测向站通信网络连通性和系统有效性等约束因素,利用几何精度因子值搭配惩罚函数来当作优化问题的目标函数,采用改进的粒子群算法对优化问题进行求解,最后根据所提算法进行了仿真,从理论和仿真等多方面证明了该算法的有效性。

Tor网络作为最受欢迎的匿名网络之一,使用TCP协议作为传输层协议,这一选择导致了行首阻塞、带宽分配不公平以及低效的拥塞控制等问题,严重影响了Tor网络的性能和扩展性。目前有研究使用QUIC协议的Tor Over QUIC模式来解决这些问题。然而,Tor Over QUIC模式下性能评估指标单一,仅聚焦在时延和安全性评估,难以全面反映协议升级对匿名网络核心特性的综合影响,导致协议优化方向不明确且部署决策缺乏数据支撑。这种评估维度缺失不仅制约了QUIC协议优势的充分发挥,更可能因性能短板影响用户采用意愿,容易影响Tor Over QUIC的推广与使用。因此,提出了一种基于Tor Over QUIC的多维度性能评估方法,从时延、匿名性、安全性、鲁棒性和可用性等多个维度对Tor Over QUIC模式下的性能进行综合评估,以指导Tor Over QUIC的部署与使用。对Tor网络和Tor Over QUIC网络进行的对比实验表明,所提评估方法是有效且实用的。

优化模型驱动的移动边缘计算(Mobile Edge Computing,MEC)网络任务卸载与迁移策略研究基于物联网设备激增和5G技术推广的背景展开。MEC通过将计算资源迁移至网络边缘,显著降低数据传输延迟和云端压力。为此,提出一系列任务卸载与迁移策略,并通过性能评估验证其效果。实验结果表明,所提策略在典型应用场景中显著优化了关键性能指标:延迟降低约25%,能耗减少30%,任务吞吐量提升20%。具体优化包括:动态资源调度实现负载均衡,改进卸载效率;基于QoS(Qua-lity of Service)保障的迁移机制确保服务稳定性;跨层优化设计提升多任务协作能力。此外,通过机器学习预测技术,动态适应网络波动,提高系统灵活性。研究结论指出,优化模型在确保资源高效分配和任务实时性方面具备突出优势,提升了MEC网络的服务质量和用户体验。策略可广泛适用于异构网络和动态环境,具备进一步拓展的潜力。

为提高室内定位的精度和稳定度,提出了基于无迹卡尔曼滤波(Unscented Kalman Filtering,UKF),并融合蓝牙指纹库和行人航位推算(Pedestrian Dead Reckoning,PDR)的室内定位方法。首先,收集不同位置的信号强度数据,构建蓝牙指纹库。其次,利用手机内置加速度计、陀螺仪等多传感器融合进行行人航位推算。在此基础上使用UKF进行融合,克服行人航位推算易产生累计误差的缺点,从而实现高精度室内定位,具有成本低、灵敏度高、稳定性好、定位方法简便等特点。最后,仿真实验结果表明了该方法的有效性。

具有误差补偿的Top-k稀疏化方法目前是分布式深度神经网络(DNNs)训练中最先进的技术之一,它在每次迭代训练中动态传输部分梯度来减少通信量,传输的梯度总量取决于k值的选择。虽然较小的k值可以加速训练,但即使在有误差补偿的情况下,也可能降低测试准确性。本文提出了AdaTopK——一种自适应Top-k压缩器,它可以通过动态调整k值来权衡训练速度和测试准确性。大量动态网络场景下的实验表明:与不压缩的情况相比,AdaTopK可以减少29%的训练时间;同时与已有实验DC2相比,AdaTopK也可以减少15%的训练时间。

移动边缘计算作为一种创新性技术,通过在网络边缘部署计算资源,为用户提供低延迟的计算与存储服务。在该研究领域中,用户移动性始终是研究重点,现有工作主要聚焦于分析和利用用户与边缘服务器的移动轨迹,忽略用户兴趣点数据,且缺乏对迁移失败的有效处理,导致服务命中率低、迁移开销大。近期研究发现,除移动性信息外,用户的兴趣点信息也可以有效整合并加以利用。针对这一发现,文中提出了一种基于兴趣与移动感知的服务迁移路径选择方法(IMSPM)。该方法将轨迹预测模型与用户兴趣预测模型进行融合,从而实现目标服务器的优化选择以及可靠、低成本的服务迁移路径规划。实验结果表明,与仅依赖移动性信息的传统方法相比,IMSPM在服务命中率、服务迁移次数等多个性能指标上展现出一定优势。

针对无人机航程受限,难以执行远距离运输任务的问题,提出了一种基于遗传算法的分段中继式无人机物流网络规划方法。该方法综合考虑物流需求和无人机航程限制,以最小化建设和运营成本为目标,通过设计网络连通性、评价指标和迭代目标3个判断回路,实现了无人机物流网络结构的智能优化。算法中引入了4种算子,有效控制了中继节点的数量和位置,使规划方案逐步逼近全局最优解。基于智能体仿真模型的验证结果表明,该方法构建的无人机物流网络能够经济高效地满足物流需求,尤其适用于城市长距离运输及偏远山区的网络规划场景。该方法为无人机物流网络的绿色、高效运营提供了创新性的解决方案。

在全球范围内,工业化、信息化与智能化的融合正对各行各业产生深远影响,尤其在车载系统、航空电子及工业自动化等对时延要求极为严格的领域,时间敏感网络(Time Sensitive Networking,TSN)已逐步确立其作为实现确定性低延迟通信的核心地位。尽管TSN在时敏业务中的应用日益广泛,但其当前提供的网络级流量调度机制仍难以充分满足上层业务对优先级的复杂需求。文中提出了一种基于可满足性模理论(Satisfiability Modulo Theories,SMT)的TSN调度机制——SMT-TAS调度机制。该机制基于现有的时间感知整形(Time Aware Shaper,TAS)模型,引入SMT求解系统,并提出基于优先级满足率的流量调度算法,使其可以基于动态业务场景,实时生成最优调度方案,更新至门控生成列表,实现动态流量调度优化。实验结果表明,与传统的TAS方法相比,所提出的SMT-TAS机制在不同时间敏感流数量下的优先级满足率方面平均提高了20%左右,大大增强了系统的可调度性。同时,该算法在求解性能上也表现出色,端到端时延降低了10%左右,有效满足了TSN调度的各项约束条件,为TSN的进一步发展与应用提供了有力支持。