工业物联网中数字孪生辅助任务卸载算法

针对工业物联网(IIoT)设备资源有限和边缘服务器资源动态变化导致的任务协同计算效率低等问题,该文提出一种工业物联网中数字孪生(DT)辅助任务卸载算法。首先,该算法构建了云-边-端3层数字孪生辅助任务卸载框架,在所创建的数字孪生层中生成近似最佳的任务卸载策略。其次,在任务计算时间和能量的约束下,从时延的角度研究了计算卸载过程中用户关联和任务划分的联合优化问题,建立了最小化任务卸载时间和服务失败惩罚的优化模型。最后,提出一种基于深度多智能体参数化Q网络(DMAPQN)的用户关联和任务划分算法,通过每个智能体不断地探索和学习,以获取近似最佳的用户关联和任务划分策略,并将该策略下发至物理实体网络中执行。仿真结果表明,所提任务卸载算法有效降低了任务协同计算时间,同时为每个计算任务提供近似最佳的卸载策略。

基于智能分层切片技术的数字孪生传感信息同步策略

针对传感数据在无线接入网(RAN)中传输的不可靠性与不及时性造成数字孪生(DTs)同步信息的不精确问题,该文提出一种基于智能分层切片技术的DTs传感信息同步策略。该策略在双时间尺度下,以最大化传感信息满意度和最小化切片重配置及DTs同步成本为目标,联合优化切片无线资源配置以及DTs传感信息同步问题。首先,在大时间尺度,利用网络切片为有着不同服务质量(QoS)的DTs提供隔离以及解决部署问题;在小时间尺度,通过更加灵活的无线资源分配来提高DTs传感信息同步任务对动态环境的适应性,进一步提高通信性能,建立更逼近于物理实体的DTs。其次,为了求解不同时间尺度的优化问题,该文提出一种双层深度强化学习(DRL)框架实现高效的网络资源交互,其中下层控制算法利用优先经验放回(PER)机制加快收敛速度。最后,仿真结果验证了所提策略的有效性。

数字孪生辅助联邦学习中的边缘选择和资源分配联合优化

在基于联邦学习的智能驾驶中,智能网联汽车(ICV)的资源限制和可能出现的设备故障会导致联邦学习训练精度下降、时延和能耗增加等问题。为此该文提出数字孪生辅助联邦学习中的边缘选择和资源分配优化方案。该方案首先提出数字孪生辅助联邦学习机制,使得ICV能够选择在本地或利用其数字孪生体参与联邦学习。其次,通过构建数字孪生辅助联邦学习的计算和通信模型,建立以最小化累积训练时延和能耗为目标的边缘选择和资源分配联合优化问题,并将其转化为部分可观测的马尔可夫决策过程。最后,提出基于多智能体参数化Q网络(MPDQN)的边缘选择和资源分配算法,用于学习近似最优的边缘选择和资源分配策略,以实现联邦学习累积时延和能耗最小化。仿真结果表明,所提算法在保证模型精度的同时,有效降低联邦学习累积训练时延和能耗。

基于数字孪生的多自动驾驶车辆分布式协同路径规划算法

针对多辆自动驾驶车辆(AVs)在进行路径规划过程中存在的车辆之间协作难、协作训练出来的模型质量低以及所求结果直接应用到物理车辆的效果较差的问题,该文提出一种基于数字孪生(DT)的多AVs分布式协同路径规划算法,基于可信度加权去中心化的联邦强化学习方法(CWDFRL)来实现多AVs的路径规划。首先将单个AVs的路径规划问题建模成在驾驶行为约束下的最小化平均任务完成时间问题,并将其转化成马尔可夫决策过程(MDP),使用深度确定性策略梯度算法(DDPG)进行求解;然后使用联邦学习(FL)保证车辆之间的协同合作,针对集中式的FL中存在的全局模型更新质量低的问题,使用基于可信度的动态节点选择的去中心化FL训练方法改善了全局模型聚合质量低的问题;最后使用DT辅助去中心化联邦强化学习(DFRL)模型的训练,利用孪生体可以从DT环境中学习的优点,快速将训练好的模型直接部署到现实世界的AVs上。仿真结果表明,与现有的方法相比,所提训练框架可以得到一个较高的奖励,有效地提高了车辆对其本身速度的利用率,与此同时还降低了车辆群体的平均任务完成时间和碰撞概率。

一种基于时间序列分解和时空信息提取的云服务器异常检测模型

异常检测是维护云数据中心性能的一项重要任务。云数据中心中运行着大量的云服务器以实现各种云计算功能。由于云数据中心的性能取决于云服务的正常运行,因此检测和分析云服务器中的异常至关重要。为此,该文提出一种基于时间序列分解和时空信息提取的云服务器异常检测模型。首先,提出带时空信息提取模块的双向Wasserstein生成对抗网络算法(BiWGAN-GTN),该算法在具有梯度惩罚的双向Wasserstein生成对抗网络(BiWGAN-GP)算法的基础上,将生成器与编码器替换为由图卷积网络(GCN)与时间卷积网络(TCN)组成的时空信息提取模块(GTN),实现对数据空时信息的提取;其次,提出半监督BiWGAN-GTN算法来识别多维时间序列中的异常,以在训练过程中避免异常数据侵入的风险并增强模型鲁棒性。最后设计多通道BiWGAN-GTN算法-MCBiWGAN-GTN以实现降低数据复杂度并提升模型学习效率的目标。利用带有自适应噪声完全集合经验模态分解(CEEMDAN)算法将时序数据分解,然后将不同的分量送入对应通道下的BiWGAN-GTN算法中训练。在真实世界云数据中心数据集Clearwater和MBD上采用精确率、召回率和F1分数这3个性能指标验证了该文所提模型的有效性。实验结果表明,MCBiWGAN-GTN在这两个数据集上的性能稳定并优于所比较的方法。

面向6G的数字孪生网络综述:架构、应用和挑战

数字孪生网络(digital twin network,DTN)是一种利用数字孪生(digital twin,DT)技术创建物理网络设施的孪生虚拟数字网络。通过DT技术,DTN将从多个方面提升6G网络的能力,包括智能故障管理、智能网络优化和管理、网络智慧内生,助力实现极简化、智能化和自动化的网络。通过对DTN进行全面研究,描述了DTN的主要特征和定义,阐述了DTN的架构、协议及接口和生命周期管理,并阐述其在模型管理与部署、资源管理与调度、安全与隐私保护、智能网络运维和智能交通这几个方面的应用,分析了DTN的挑战与未来。

考虑新能源配网三相不平衡治理的电动汽车充电策略

针对大规模电动汽车和新能源并网引发的三相不平衡问题,提出考虑中压配网三相不平衡治理的电动汽车充电策略。首先,分别建立了电动汽车聚合商模型和多相配网模型;其次,提出三相平衡激励机制,鼓励电动汽车自发地帮助改善三相电压不平衡;然后,以最大化电动汽车利益为目标,考虑电动汽车充电约束和配网安全约束,建立电动汽车充电确定性优化模型;并进一步基于鲁棒优化理论研究新能源出力不确定性,建立电动汽车充电鲁棒优化模型;最后,采用改编的IEEE 13节点配网进行仿真验证。结果表明,所提出的充电策略能够有效降低配网三相电压不平衡与电动汽车用户成本,并在新能源出力不确定时保证配网的安全运行。

基于迁移深度强化学习的低轨卫星跳波束资源分配方案

针对低轨(LEO)卫星场景下,传统资源分配方案容易造成特定小区资源分配无法满足需求的问题,该文提出一种基于迁移深度强化学习(TDRL)的低轨卫星跳波束资源分配方案。首先,该方案联合星上缓冲信息、业务到达情况和信道状态,以最小化卫星上数据包平均时延为目标,建立支持跳波束技术的低轨卫星资源分配优化模型。其次,针对低轨卫星网络的动态多变性,该文考虑动态随机变化的通信资源和通信需求,采用深度Q网络(DQN)算法利用神经网络作为非线性近似函数。进一步,为实现并加速深度强化学习(DRL)算法在其他目标任务中的收敛过程,该文引入迁移学习(TL)概念,利用源卫星学习的调度任务快速寻找目标卫星的波束调度和功率分配策略。仿真结果表明,该文所提出的算法能够优化卫星服务过程中的时隙分配,减少数据包的平均传输时延,并有效提高系统的吞吐量和资源利用效率。

基于集成深度神经网络流量预测的动态网络切片迁移算法

针对5G网络切片(NS)场景下由于缺乏提前对物理网络资源进行感知而导致切片迁移滞后的问题,该文提出一种基于集成深度神经网络流量预测的动态切片调整和迁移算法(DSAM)。首先建立了基于计算、内存、带宽资源配置的网络总惩罚模型;其次,提出基于集成深度神经网络的流量预测算法预测未来网络流量情况,并根据流量类型的不同将其转换成对未来时刻物理网络的资源占用及切片的资源需求感知;最后,根据感知结果,以尽可能大地降低运营商惩罚为目标,通过动态切片调整和迁移策略将虚拟网络功能(VNF)和虚拟链路迁移到满足资源限制的物理节点和链路上。仿真结果表明,所提算法有效提高了切片迁移的效率和网络资源利用率。

基于多智能体深度强化学习的无人机动态预部署策略

针对传统优化算法在求解长时间尺度内通信无人机(UAV)动态部署时复杂度过高且难以与动态环境信息匹配等缺陷,该文提出一种基于多智能体深度强化学习(MADRL)的UAV动态预部署策略。首先利用一种深度时空网络模型预测用户的预期速率需求以捕捉动态环境信息,定义用户满意度的概念以刻画用户所获得UAV提供服务的公平性,并以最大化长期总体用户满意度和最小化UAV移动及发射能耗为目标建立优化模型。其次,将上述模型转化为部分可观测马尔科夫博弈过程(POMG),并提出一种基于MADRL的H-MADDPG算法求解该POMG中轨迹规划、用户关联和功率分配的最佳决策。该H-MADDPG算法使用混合网络结构以实现对多模态输入的特征提取,并采用集中式训练-分布式执行的机制以高效地训练和执行决策。最后仿真结果证明了所提算法的有效性。

网络切片场景下基于分布式生成对抗网络的服务功能链异常检测

针对网络切片场景中,由于软硬件异常而导致服务功能链(SFC)异常的问题,该文提出一种基于分布式生成对抗网络(GAN)的时间序列异常检测模型(DTSGAN)。首先,为学习SFC中正常数据的特征,提出分布式GAN架构,对SFC中包含的多个虚拟网络功能(VNF)进行异常检测;其次,针对时间序列数据构建一种基于滑动窗口数据特征提取器,通过提取数据的两种衍生特性和8种统计特征以挖掘深层次特征,得到特征序列;最后,为学习并重构数据特征,提出时间卷积网络(TCN)与自动编码器(AE)构建的3层编解码器作为分布式生成器,生成器通过异常得分函数衡量重构数据与输入数据的差异以检测VNF的状态,进而完成SFC的异常检测。在数据集Clearwater上采用准确率、精确率、召回率和F1分数这4个性能指标验证了该文所提模型的有效性和稳定性。

基于多智能体柔性演员-评论家学习的服务功能链部署算法

针对网络功能虚拟化(NFV)架构下业务请求动态变化引起的服务功能链(SFC)部署优化问题,该文提出一种基于多智能体柔性演员-评论家(MASAC)学习的SFC部署优化算法。首先,建立资源负载惩罚、SFC部署成本和时延成本最小化的模型,同时受限于SFC端到端时延和网络资源预留阈值约束。其次,将随机优化问题转化为马尔可夫决策过程(MDP),实现SFC动态部署和资源的均衡调度,还进一步提出基于业务分工的多决策者编排方案。最后,在分布式多智能体系统中采用柔性演员-评论家(SAC)算法以增强探索能力,并引入了中央注意力机制和优势函数,能够动态和有选择性地关注获取更大部署回报的信息。仿真结果表明,所提算法可以实现负载惩罚、时延和部署成本的优化,并随业务请求量的增加能更好地扩展。

移动边缘计算辅助智能驾驶中基于高效联邦学习的碰撞预警算法

智能驾驶中的碰撞避免任务存在对时延要求极高和隐私保护等挑战。首先,该文提出一种基于自适应调整参数的半异步联邦学习(SFLAAP)的门控循环单元联合支持向量机(GRU_SVM)碰撞多级预警算法,SFLAAP可根据训练和资源情况动态调整两个训练参数:本地训练次数和参与聚合的局部模型数量。然后,为解决资源受限的移动边缘计算(MEC)下碰撞预警模型协作训练的效率问题,根据上述参数与SFLAAP训练时延的关系,建立训练总时延最小化模型,并将其转化为马尔可夫决策过程(MDP)。最后,在所建立的MDP中采用异步优势演员-评论家(A3C)学习求解,自适应地确定最优训练参数,从而减少碰撞预警模型的训练完成时间。仿真结果表明,所提算法有效地降低训练总时延并保证预测精度。

基于自适应梯度压缩的高效联邦学习通信机制研究

针对物联网(IoTs)场景下,联邦学习(FL)过程中大量设备节点之间因冗余的梯度交互通信而带来的不可忽视的通信成本问题,该文提出一种阈值自适应的梯度通信压缩机制。首先,引用了一种基于边缘-联邦学习的高效通信(CE-EDFL)机制,其中边缘服务器作为中介设备执行设备端的本地模型聚合,云端执行边缘服务器模型聚合及新参数下发。其次,为进一步降低联邦学习检测时的通信开销,提出一种阈值自适应的梯度压缩机制(ALAG),通过对本地模型梯度参数压缩,减少设备端与边缘服务器之间的冗余通信。实验结果表明,所提算法能够在大规模物联网设备场景下,在保障深度学习任务完成准确率的同时,通过降低梯度交互通信次数,有效地提升了模型整体通信效率。

面向能效的低轨卫星联合跳波束调度和功率分配算法

该文针对低轨(LEO)卫星载荷容量受限且功率资源稀缺的问题,面向搭载跳波束(BH)天线的低轨卫星通信系统,提出一种联合跳波束调度和功率分配机制,在满足用户服务质量需求的前提下降低卫星通信载荷功耗,提高卫星通信系统能效。首先建立时延受限下联合考虑波束调度和功率分配的卫星功耗最小化模型。针对网络拓扑的时变特性,基于李雅普诺夫优化方法,将原多时隙优化问题转化为单时隙优化问题,然后采用交替优化的方法获得单时隙问题的次优解。其中,证明波束调度子问题是凸问题,同时通过逐次凸近似和对数变换将功率分配子问题转为凸问题,并提出相应算法获得子问题最优解。仿真结果表明,提出的策略在保证用户平均时延要求的同时,降低了低轨卫星系统平均功耗,并且可通过调整控制参数实现时延和功耗的动态平衡。

基于数据特征的多传感器融合实时目标检测

为了进一步降低目标检测出现的误检率,提出了一种基于传感器数据特征的融合目标检测算法。首先,为了减少部分离群噪声点对点云表达准确性的影响,采用统计滤波器对激光雷达原始点云进行滤波处理;其次,为了解决点云地面分割在坡度变化时,固定阈值会导致分割不理想的问题,提出了自适应坡度阈值的地面分割算法;然后,建立KD(k-dimensional)树索引,加速DBSCAN(density-based spatial clustering of applications with noise)点云聚类,基于Andrew最小凸包算法,拟合最小边界矩形,生成目标三维边界框,完成聚类后的目标点云位姿估计;最后,将激光雷达检测到的三维目标点云投影到图像上,投影边界框与图像检测的目标边界框通过IoU关联匹配,提出基于决策级的三维激光雷达与视觉图像信息融合算法。使用KITTI数据集进行的测试实验表明,提出的点云聚类平均耗时降低至173 ms,相比传统的欧氏距离聚类,准确性提升6%。搭建硬件实验平台,基于实测数据的实验结果表明,提出的融合算法在目标误检率上比YOLO v4网络降低了约10%。

基于数字孪生网络的6G智能网络运维

为解决现有网络运维系统存在的智能化程度低且灵活性不足、故障定位难且恢复慢、优化效率低且成本高的问题,提出基于数字孪生网络构建自动化的6G智能网络运维系统。研究数字孪生辅助下的智能故障管理、网络性能优化和策略验证方案,明确关键支撑技术,实现对可能发生的性能恶化和系统故障的自定位和自修复、闭环的性能优化和不影响真实网络运行的策略验证,满足6G网络对高可靠和高效率运维系统的发展需求。

考虑能耗中断的无人机通信中基于深度强化学习的资源管理

最新研究表明,高速传输导致的手机温度变化会影响相应的传输性能。针对高速传输下未考虑与手机温度有关的能耗中断而导致传输性能降低的问题,该文提出一种基于深度强化学习的资源管理方案去考虑无人机(UAV)通信场景下的能耗中断。首先,给出无人机通信的网络模型与智能手机热传递模型的分析;其次,将能耗中断的影响以约束条件的形式整合到无人机场景的优化问题中,并通过联合考虑带宽分配、功率分配和轨迹设计优化系统吞吐量;最后,采用马尔可夫决策过程描述相应的优化问题并通过名为归一化优势函数的深度强化学习算法求解。仿真表明,所提方案能有效提升系统吞吐量并得到合理的无人机飞行轨迹。

不同绵羊品种发情期卵巢组织lncRNA和mRNA的差异表达分析

[目的]本文旨在探究不同绵羊品种发情期卵巢组织中长链非编码RNA(long non-coding RNA,lncRNA)和信使RNA(messenger RNA,mRNA)的差异表达,筛选绵羊繁殖力相关的分子标记。[方法]根据羊场生产记录,挑选2~3岁体型、生理状态相似的空怀蒙古羊(Mon)和湖羊(HBB)各4只,对其进行同期发情处理,发情时密集采血3 h(每次隔12 min),检测血清中促卵泡刺激素(FSH)和促黄体生成素(LH)含量;各组随机挑选3只屠宰,采集卵巢组织用于转录组测序(RNA-seq);从NCBI数据库中下载小尾寒羊(HanBB)和陶赛特羊(Dorset)发情期卵巢RNA-seq数据,整合分析不同绵羊品种卵巢中lncRNA和mRNA的表达特征。[结果]湖羊血清中FSH和LH含量均显著高于蒙古羊(P<0.05);RNA-seq共鉴定到87 874个lncRNA转录本;在5个差异分组均获得一定数量的差异lncRNA和mRNA,并从中筛选与繁殖相关的共有和特有lncRNA和mRNA,去除新基因后,分别构建mRNA-mRNA和lncRNA-mRNA互作网络;筛选到MMP2、CHAD、HOXA10、GNB2、COL4A1、ACTB、COL6A3、CREB3L2和LOC101115805等与繁殖相关的共有差异基因;与繁殖相关的共有差异lncRNA主要注释到受精、卵母细胞成熟和配子发生等条目,富集于PI3K-Akt和Wnt等信号通路;关键基因MMP2(matrix metalloproteinases 2)在蒙古羊和湖羊全身组织中表达趋势一致,均在卵巢组织中高表达,且在湖羊垂体、卵巢和子宫组织中均检测到MMP2蛋白阳性信号。[结论]本研究绘制了湖羊和蒙古羊卵巢组织中差异lncRNA和mRNA表达图谱,筛选到与繁殖相关的lncRNA和mRNA,为绵羊繁殖调控及育种分子标记奠定基础。关键基因MMP2可能通过生殖轴调控绵羊的繁殖性能。

基于RobotStudio水槽打磨机器人工作站仿真设计

为解决不锈钢水槽四边焊缝自动打磨问题,基于SolidWorks设计了机器人末端执行器等设备,并基于RobotStudio搭建由砂带打磨机、IRB4600机器人、末端执行器等设备组建的水槽打磨机器人工作站仿真平台。根据不锈钢水槽的实际工况设计打磨工艺流程和规划打磨路径,创建打磨工作站的Smart组件并关联常用的I/O信号。利用TCP轨迹跟踪功能以及碰撞监控功能检验各个轨迹点及运动轨迹是否满足工作要求,调用计时器记录打磨时间。在仿真平台中通过离线编程仿真调试可以得到理想的打磨轨迹,供实际运行使用,有利于提高现场编程加工效率,提高焊缝打磨质量。