面向物联网的学习与管理：兼顾自适应性与可扩展性
系统与控制
2018-10-30 v1 分布式、并行与集群计算
最优化与控制
摘要
物联网（Internet-of-Things, IoT）设想了一个由联网智能设备组成的智能基础设施，提供特定任务的监测与控制服务。物联网的独特特征包括极端异构性、海量设备数量，以及部分由于人为交互导致的不可预测动态。这些特征呼唤网络设计与管理的根本性创新。理想情况下，它应允许高效适应变化的环境，并以低成本实现可扩展至海量设备的部署，同时满足严格的时延约束。为此，本文的总体目标是通过通信、网络、学习与优化方面的联合进展，勾勒出物联网中在线学习与管理策略的统一框架。从网络架构视角，该统一框架利用了颇具前景的雾架构（fog architecture），使智能设备能够在云到物连续体上于网络边缘就近访问云功能。从算法视角，关键创新针对适应物联网动态中不同程度非平稳性的在线方法，以及在有限反馈下可扩展的无模型实现，这催生了盲方法或bandit方法。所提框架旨在作为一个垫脚石，导向物联网中特定任务学习与管理系统性的设计与分析，并带来一系列可拓展的新研究方向。
引用
@article{arxiv.1810.11613,
title = {Learning and Management for Internet-of-Things: Accounting for Adaptivity and Scalability},
author = {Tianyi Chen and Sergio Barbarossa and Xin Wang and Georgios B. Giannakis and Zhi-Li Zhang},
journal= {arXiv preprint arXiv:1810.11613},
year = {2018}
}
备注
Submitted on June 15 to Proceeding of IEEE Special Issue on Adaptive and Scalable Communication Networks