基于数字孪生的 underwater acoustic sensor network 智能网络架构
网络与互联网体系结构
2024-10-29 v1
摘要
underwater 声学传感器网络 (UASN) 正朝着强环境适应性、智能化和多功能化方向发展。然而，由于独特的 UASN 特征，如长传播延迟、动态信道质量和高衰减，现有研究在实际应用中存在时效性、效率低下和灵活性不足的问题。数字孪生 (DT) 技术为 UASN 提供高保真状态预测并探索最优方案，能够突破上述瓶颈。本文提出一种数字孪生网络架构 (DTNA)，以提升 UASN 的环境适应性、智能化和多功能性。通过提取来自本地 (节点) 和全局 (网络) 层级的真实 UASN 信息，我们首先设计分层架构以提高 DT 复制物的保真度和 UASN 控制灵活性。在本地 DT 中，我们发展资源分配范式 (RAPD)，快速感知性能变化并迭代优化分配方案，以提高资源分配算法的实时环境适应性。在全局 DT 中，我们聚合分布式本地 DT 数据，提出协作多智能体强化学习框架 (CMFD) 和任务导向网络切片 (TNSD)。CMFD 补充稀缺真实数据，为加速 AI 模型训练提供大量 DT 数据。TNSD 统一异构任务需求提取，高效提供综合网络状态，提升多任务调度算法的灵活性。最后，通过实际和仿真实验验证了 DT 的高保真度。与原始 UASN 架构相比，实验结果表明，DTNA 能够：(i) 提升资源分配的时效性和鲁棒性；(ii) 大幅降低 AI 算法的训练时间；(iii) 以较低成本更快地获取多任务调度的网络状态。
引用
@article{arxiv.2410.20151,
title = {A Digital Twin-based Intelligent Network Architecture for Underwater Acoustic Sensor Networks},
author = {Shanshan Song and Bingwen Huangfu and Jiani Guo and Jun Liu and Junhong Cui and Xuemin and Shen},
journal= {arXiv preprint arXiv:2410.20151},
year = {2024}
}