面向智能航运的碳感知 gossip 编排框架 CARGO
人工智能
2026-03-31 v1
摘要
智能航运运营日益依赖于协作式人工智能，但其底层数据是在连接性不均、后备带宽有限且具有明确商业敏感性的船舶之间生成的。在此类设置下，服务器协调的联邦学习仍是一种薄弱的系统假设，具体依赖于可达的聚合点和反复的跨区域同步——这在海洋网络中很难保证。因此，无服务器 gossip 方法代表了更自然的做法，但现有方法仍将通信主要视为优化瓶颈，而非作为必须与碳成本、可靠性和长期参与平衡共同管理的资源。本文提出了 CARGO——面向智能航运的碳感知 gossip 编排框架。CARGO 将学习分为控制平面和数据平面。数据平面通过压缩 gossip 交换执行本地优化，而控制平面在每个轮次决定应参与哪些船舶、应激活哪些通信边、如何积极压缩更新，以及何时触发恢复操作。我们在预测性维护场景下评估了 CARGO，使用运行中的散货船舰机数据和一条捕获客户端掉线、部分参与、数据包丢失和多种连接模式的航海通信协议轨迹——这些模式源自基于移动性的船舶相互作用。 在所测试的压力场景下，CARGO 持续保持在高精度区间，同时降低了碳足迹和通信开销，与精确匹配的去中心化基线相比较。总体而言，所进行的性能评估表明，CARGO 是一种可行且实际的解决方案，可实现可靠且资源考虑型的海洋 AI 部署。
引用
@article{arxiv.2603.27857,
title = {CARGO: Carbon-Aware Gossip Orchestration in Smart Shipping},
author = {Alexandros S. Kalafatelis and Nikolaos Nomikos and Vasileios Nikolakakis and Nikolaos Tsoulakos and Panagiotis Trakadas},
journal= {arXiv preprint arXiv:2603.27857},
year = {2026}
}