面向可持续物联网网络的边缘机器学习：一项系统性文献综述
系统与控制
2026-01-19 v1 系统与控制
摘要
物联网（IoT）已成为现代技术不可或缺的组成部分，通过无缝连接改善日常生活和工业流程。然而，IoT 系统的快速扩张带来了重大的可持续性挑战，如高能耗和低效的资源管理。解决这些问题对于 IoT 网络的长期可行性至关重要。机器学习（ML）凭借其在各个领域的成功应用，为优化 IoT 操作提供了有前景的解决方案。ML 算法可以直接从原始数据中学习，发现隐藏的模式并优化动态环境中的过程。在 IoT 网络的边缘执行 ML 可以通过减少带宽使用、实现实时决策和提高数据隐私来进一步增强可持续性。此外，在实际硬件上测试 ML 模型对于确保在真实世界条件下获得令人满意的性能至关重要，因为它捕捉了真实世界 IoT 部署的复杂性和约束条件。因此，将边缘 ML 与实际硬件测试相结合，可提高 ML 模型的可靠性，从而有效改善 IoT 系统的可持续性。本系统性文献综述探讨了如何利用 ML 来增强 IoT 网络的可持续性，审查了当前的方法论、益处、挑战和未来机遇。通过我们的分析，旨在提供推动未来创新的见解，使 IoT 网络更具可持续性。
引用
@article{arxiv.2601.11326,
title = {Machine Learning on the Edge for Sustainable IoT Networks: A Systematic Literature Review},
author = {Luisa Schuhmacher and Jimmy Fernandez Landivar and Ihsane Gryech and Hazem Sallouha and Michele Rossi and Sofie Pollin},
journal= {arXiv preprint arXiv:2601.11326},
year = {2026}
}
备注
Published in Elsevier Internet of Things